SentimentAnalysisNLP/BDTF-ABSA-main

• BDTF-ASTE
• • 工作简介
  • • ASTE任务
    • 以往方法的问题
    • 本文提出的方法
    • 实验结果
  • 运行代码
  • • 环境配置
    • 代码结构
    • 运行代码
  • 如有问题请在issues提出，或者联系我

中文说明 | English

BDTF-ASTE

本仓库开源了以下论文的代码：

• 标题：Boundary-Driven Table-Filling for Aspect Sentiment Triplet Extraction
• 作者：Yice Zhang∗, Yifan Yang∗, Yihui Li, Bin Liang, Shiwei Chen, Yixue Dang, Ming Yang, and Ruifeng Xu
• 会议：EMNLP-2022 Main (Long)

工作简介

ASTE任务

本文要解决的是Aspect-Based Sentiment Analysis(ABSA)问题中的Aspect Sentiment Triplet Extraction(ASTE)任务。
如下图所示，ASTE的目的是抽取用户评论中表达观点的方面情感三元组，一个元组包含三个部分：

• Aspect Term: 情感所针对的目标对象，一般是被评价实体（餐馆或者产品）的某个方面项，常被称作方面术语、方面词、属性词等。
• Opinion Term: 具体表达情感的词或短语，常被称作情感术语、情感词等。
• Sentiment Polarity: 用户针对Aspect Term所表达的情感倾向，类别空间为{POS, NEG, NEU}。

以往方法的问题

以往的方法将本任务建模为一个表格填充问题（table-filling problem）。如下图所示，二维表中的每个元素为词与词之间的关系。该方法首先通过对角线抽取aspect和opinion，然后通过aspect和opinion定位对应的关系区域，通过投票的方法是确定aspect和opinion之间的关系。该方法存在诸多问题。比较明显的问题有两个：

1. 关系不一致：将aspect和opinion之间的关系分解为词与词之间的关系，这会带来潜在的关系不一致问题。
2. 边界不敏感：如果aspect或者opinion的边界出现了小错误，二者关系预测的结果大概率不会改变，这就使得模型产生了边界错误的输出，如('dogs', 'top notch', POS)。

以往的工作尝试使用Span-based的方法来解决关系不一致的问题。这是一种可行的思路。但是该方法忽略了细粒度的词级别的信息，这正是表格填充方法的优点。

本文提出的方法

本文为了解决上述的两个问题，提出了边界驱动的表格填充方法（Boundary-Driven Table-Filling）。如下图所示，该方法将方面关系三元组转为二维表中的一个关系区域，因而将ASTE任务转化为关系区域的定位和分类。对关系区域整体进行分类可以解决了关系不一致的问题，那些边界错误的关系区域也可以通过将其分类为Invaild而移除。

此外，本文还提出了一种关系学习的方法来学习一个二维的表示。该方法包含三个部分：

• 首先，将评论文本输入到BERT中学习词级别的上下文表示。
• 然后，通过基于张量的操作，根据词表示构建关系表示。文本中所有词之间的关系表示构成一个二维的表，表中的元素为一个向量。
• 最后，使用CNN对二维表进行建模。
  该方法学习到的二维表示将被用到关系区域的定位和分类中。

整体上，本文所提出方法的模型框架如下图所示。

实验结果

本方法的主要实验结果如下表，详细的分析见论文。

运行代码

环境配置

• transformers==4.15.0
• pytorch==1.7.1
• einops=0.4.0
• torchmetrics==0.7.0
• tntorch==1.0.1
• pytorch-lightning==1.3.5

代码结构

├── code
│   ├── utils
│   │   ├── __init__.py
│   │   ├── aste_datamodule.py
|   |   └── aste_result.py
│   ├── model
│   │   ├── seq2mat.py
│   │   ├── table.py
│   │   ├── table_encoder
│   │   |   └── resnet.py
|   |   └── bdtf_model.py
|   ├── aste_train.py
|   └── bash
│       ├── aste.sh
│       ├── aste_14res.sh
│       ├── aste_14lap.sh
│       ├── aste_15res.sh
|       └── aste_16res.sh
└── data
    └── aste_data_bert
        ├── V1
        │   ├── 14res
        |   │   ├── train.json
        |   │   ├── dev.json
        |   │   └── test.json
        │   ├── 14lap/...
        │   ├── 15res/...
        |   └── 16res/...
        └── V2/...

运行代码

在code目录下

• 运行chmod +x bash/*。
• 运行bash/aste_14lap.sh。

下面是aste_14lap.sh运行的结果。这里随机种子取的是40，计算设备为A100。

在V100上跑aste_14lap.sh，结果如下。

请注意，文章发布的性能都是在5个随机种子下运行然后取平均的结果，这与单次运行可能存在一些出入。

如有问题请在issues提出，或者联系我

• email: zhangyc_hit@163.com