探索用于基于方面的情绪分析的上下文无关观点语法

《IEEE Transactions on Knowledge and Data Engineering》：Exploring Context-Free Opinion Grammar for Aspect-Based Sentiment Analysis

利用预训练生成模型进行情感元素提取显著提升了基准测试效果，但存在计算成本高和缺乏显式建模问题。本文提出新型意见树解析模型，结合上下文无关意见语法和神经图解法，有效加速解析过程并显式建模情感元素结构。

　　

摘要：

最近，利用预训练的生成模型进行情感元素提取显著提升了基于方面的情绪分析基准测试的性能。然而，这些模型存在两个主要缺点：1) 计算成本高，包括推理时间和硬件要求；2) 缺乏明确的建模机制，因为它们使用脆弱的语言或符号序列来表示情感元素之间的联系。为了解决这些问题，我们提出了一种新颖的意见树解析模型，能够快速从意见树中提取情感元素。这种方法不仅加快了处理速度，还清晰地揭示了更加全面和详细的情感结构。我们的方法首先引入了一种开创性的无上下文意见语法来标准化意见树的结构。随后，我们利用基于神经网络的图表解析器来深入探索情感元素之间的相互关系，并将它们解析成结构化的意见树。大量实验验证了我们所提出模型的有效性以及意见树解析器的能力，尤其是在结合了这种无上下文意见语法的情况下。关键的是，实验结果证实了我们的模型在速度上优于现有的最佳技术（SOTA）。