一种可解释且不确定性感知的多任务框架用于多方面情感分析
计算与语言
2021-06-01 v2 信息检索
摘要
近年来，若干在线平台的评论系统数量快速增长，要求用户提供方面级反馈。文档级多方面情感分类（DMSC）旨在从评论中预测各独立方面的评分/情感，已成为一个具挑战且紧迫的问题。为应对此挑战，我们提出一种基于审慎自注意力的深度神经网络模型，即FEDAR，用于DMSC问题，其可取得具竞争力的性能，同时能解释所作预测。FEDAR配备高速词嵌入层以迁移预训练词嵌入的知识，一个经池化与分解技术 enriched 输出特征的RNN编码器层，以及一个审慎自注意力层。此外，我们还提出注意力驱动关键词排序（AKR）方法，可基于注意力权重从评论语料中自动发现方面关键词与方面级观点关键词。这些关键词对FEDAR的评分预测十分重要。由于众包标注可作为恢复评论缺失评分的替代方式，我们提出LEcture-AuDience（LEAD）策略以在多任务学习背景下估计模型不确定性，从而使宝贵人力资源聚焦于最不确定的预测。我们在五个不同开放领域DMSC数据集上的大量实验证明了所提FEDAR与LEAD模型的优越性。我们进一步引入医疗领域的两个新DMSC数据集，并在其上对多种基线模型与我们的模型进行基准测试。注意力权重可视化结果及方面与观点关键词可视化证明了我们模型的可解释性与AKR方法的有效性。
引用
@article{arxiv.2009.09112,
title = {An Interpretable and Uncertainty Aware Multi-Task Framework for Multi-Aspect Sentiment Analysis},
author = {Tian Shi and Ping Wang and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2009.09112},
year = {2021}
}