ACOPI-QGen：一种基于隐含性的联合五元特征提取方法，用于通过对比分析和图模型进行基于方面的情绪分析

《Information Processing & Management》：ACOPI-QGen: Implicitness-aware joint quintuple extraction for aspect-based sentiment analysis via contrastive and graph-based modeling

　　•ACOPI-QGen: 一种用于提取隐性ABSA五元组的结构化框架。
•将隐性视为四类变量：EAEO、EAIO、IAEO和IAIO。
•整合上下文嵌入、对比学习、具有并行解码的RGAT。
•使用替代性方面-观点依赖树来增加句法关系偏差。
•构建ACOPI数据集，并使用LLM生成的样本来平衡隐性类型。

引言
在当今的数字环境中，用户通过产品评论、社交媒体以及电子商务、医疗保健和公共政策等特定领域平台广泛表达观点（Dewangan和Maurya，2026b；Lu等人，2025）。这些大量的用户生成内容已成为情感分析的关键资源（Zou等人，2026），支持包括产品评估、心理健康监测、品牌分析和政策反馈在内的应用（Bu等人，2024）。基于方面的情绪分析（ABSA）通过将情绪与文本中提到的具体方面关联起来，提供了比句子或文档级别情绪分析更细致和可解释的洞察（Fan等人，2025；Fu等人，2024）。
随着时间的推移，ABSA已经从识别单个组件（如方面 term、观点 term 和情绪极性）（Fan等人，2019；Li等人，2020；Tang等人，2022）发展到更集成的提取设置，这些设置共同建模多个情绪元素（Chen等人，2020；Hu等人，2021；Su等人，2024；Su等人，2025）。虽然早期的基于管道的方法将任务分解为顺序子任务（Cai等人，2021；Gao等人，2021；Peng等人，2020），但这类设计往往存在错误传播和组件间协调有限的问题（Zou等人，2025）。最近的联合和生成模型试图通过同时预测多个情绪元素来解决这些限制（J. Chen等人，2025；Nie等人，2024）。
尽管取得了这些进展，现有模型仍然难以处理文本中未明确提及方面、观点或两者的隐性情绪表达（Zhang等人，2024；Zhu等人，2024）。如图1所示，现实世界的评论经常通过间接引用、上下文线索或共享的背景知识来传达情绪，使得隐性情绪成为常态而非例外。尽管基于方面的情绪四元组预测（ASQP）已经向更全面的情绪表示迈进（Chen等人，2025a；Chen等人，2025b），但隐性通常被视为次要现象，或者使用启发式方法、辅助提示或二元指标来处理（Murtadha等人，2024；Peper等人，2024；Xu等人，2024）。因此，当前的方法无法以原则性和监督的方式区分不同的隐性情绪场景，尽管EAEO、EAIO、IAEO和IAIO等细粒度隐性类型已被广泛认可（Cai等人，2021；Li等人，2021）。
在这项工作中，我们认为明确将隐性建模为核心结构组件对于捕捉情绪表达的全部复杂性至关重要。因此，我们提出了一个新的情绪提取设置，旨在联合预测由方面 term、方面类别、观点 term、情绪极性和隐性类型组成的完整五元组。这种表述能够统一并解释显性和隐性情绪，这对下游应用（如产品诊断、针对性反馈分析和政策监测）至关重要。
除了描述情绪是否隐?之外，这种四分法还提供了关于需要推理位置的信息。EAEO情况包含可以直接观察到的方面和观点证据；EAIO情况指明必须从上下文中推断出明确的产品属性；IAEO情况表明表达的观点必须与未声明的目标相关联；IAIO情况则表明反馈的目标和评估线索都需要上下文推理。这种区分可以帮助产品诊断系统区分直接陈述的投诉、潜在的属性不满以及可能需要额外审查的高度隐性的反馈，而不是将所有缺失的组件视为单一的未区分状态。
为此，我们提出了ACOPI-QGen，这是一个用于隐性ABSA的联合结构化预测框架，它可以同时提取所有五个情绪组件。隐性被重新定义为具有四个细粒度类别的监督多类变量：EAEO、EAIO、IAEO和IAIO，使模型能够捕捉隐性情绪模式中的细微差异。该模型整合了BERT（Devlin等人，2019）的上下文表示与监督对比式隐性学习（Khosla等人，2020）和句法关系编码（Wang等人，2020），并在替代性方面-观点依赖树的指导下处理缺失的方面或观点跨度（Chakraborty，2024）。非自回归结构化解码器实现了高效且协调的多个情绪五元组的生成（Nie等人，2024）。
为了支持系统评估，我们通过改进现有的ABSA基准数据集（Restaurant-ACOS、Laptop-ACOS（Cai等人，2021）和Shoes-ACOSI（Peper等人，2024）来构建ACOPI数据集。考虑到隐性类型的类别不平衡（例如，在Restaurant数据中EAEO占比超过66％），我们使用GPT-4o1和LLaMA-3-70B（Hellwig等人，2025；Mai等人，2024）等大型语言模型（LLMs）合成代表性不足的类型（IAIO、IAEO、EAIO）的样本，以确保更好的平衡和泛化能力。我们进一步将ACOPI-QGen与一系列最先进的大型语言模型（LLMs）（?míd等人，2024）进行评估，显示了其在提取复杂情绪五元组方面的有效性，特别是在隐性设置下。

我们工作的主要贡献如下：
•我们将隐性基于方面的情绪分析定义为五元组提取任务，将隐性视为监督多类学习信号，而不仅仅是派生属性。
•我们提出了ACOPI-QGen，这是一个联合结构化预测框架，可以在统一模型中提取方面 term、方面类别、观点 term、情绪极性和隐性类型。
•我们通过使用替代性方面-观点依赖树（SAODT）指导关系图注意力网络（RGAT），并结合监督对比式隐性学习（SCIL）来调整关系感知的句法建模，以分离方面、观点、极性和隐性表示。
•我们通过改进现有基准数据集并利用LLMs生成的定制合成样本来构建了三个数据集：Restaurant-ACOPI、Laptop-ACOPI和Shoes-ACOPI。
•在三个领域的实验中，与强监督基准和基于LLM的设置相比，我们在隐性情绪五元组提取方面取得了更好的性能。

相关工作
最近的基于方面的情绪分析（ABSA）研究已经从单个组件提取发展为结构化预测方面 term、观点 term、类别和情绪极性。现有方法包括管道方法（Cai等人，2021；Xu等人，2024）、端到端提取框架（Wang等人，2024）、生成式公式（Peper & Wang，2022）、基于MRC的模型（Liu等人，2022）、表格填充（Liang等人，2023）和基于跨度的提取（Zhang等人，2023）。

研究目标
我们的研究旨在通过解决现有基于提取和生成方法的局限性来提高隐性基于方面的情绪分析的有效性，这些方法通常难以处理隐性方面、隐性观点和不一致的结构化预测。我们的具体目标如下：
1. 将隐性情绪理解定义为同时预测方面 term、方面类别、观点表达的联合五元组提取任务。

提出的模型
我们提出了一个统一的架构ACOPI-QGen，用于隐性基于方面的情绪分析，它执行联合结构化五元组提取：方面 term、方面类别、观点 term、极性和隐性。如图2所示，该框架通过四个关键组件整合了上下文语义编码、依赖感知的关系建模和监督对比表示学习：（i）BERT（Transformer的双向编码表示）（Devlin等人）。

实验
本节描述了我们的实验中使用的数据集构建、合成增强策略、基准、实施细节和评估指标。

结果与讨论
表8报告了ACOPI-QGen与比较方法在Restaurant-ACOPI、Laptop-ACOPI和Shoes-ACOPI上的主要精确匹配结果。为了公平性，所有少样本LLM基准都使用跨领域的统一4样本提示设置进行评估，而零样本基准保持其原始的零样本设置。ACOPI-QGen在Restaurant-ACOPI、Laptop-ACOPI和Shoes-ACOPI上的精确匹配F1分数分别为55.68％、48.43％和60.49％。

理论意义
我们的研究通过将五元组提取定义为具有隐性意识的结构化预测任务，推进了基于方面的情绪分析。与之前仅关注方面、类别、观点和极性的ACOS风格公式不同，ACOPI-QGen明确将隐性建模为监督输出组件。这在理论上是重要的，因为隐性情绪不是被视为次要的评估条件，而是情绪理解的核心维度。

结论
本研究提出了ACOPI-QGen，这是一个用于隐性基于方面情绪分析的端到端五元组提取的统一框架。通过将隐性建模为明确监督的输出，并结合上下文编码、SAODT引导的关系图建模、监督对比学习以及多五元组非自回归集解码，ACOPI-QGen能够联合提取方面 term、方面类别、观点 term、情绪极性和隐性类型。

局限性
仍存在一些局限性。首先，在推理时构建SAODT是基于初步的隐性预测；因此，即使最终五元组解码是并行的，隐性错误也可能传播到结构表示中。其次，用于解析器不稳定情况的最近内容回退是一种句法启发式方法，而不是语义方向的保证。第三，合成示例占训练信号的非微不足道的部分，并表现出较低的性能。

作者贡献声明
Lipika Dewangan：撰写——原始草稿、可视化、软件、方法论、形式分析、数据整理、概念化。Chandresh Kumar Maurya：撰写——审核与编辑、验证、监督、调查。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢
作者感谢Kalinga工业技术学院的研究生们在数据集注释方面的协助。