面向跨领域方面级情感分析的双向生成框架
计算与语言
2023-05-17 v1
摘要
跨领域方面级情感分析（ABSA）旨在通过将知识从源领域迁移到目标领域，在目标领域上执行各种细粒度情感分析任务。由于标注数据仅存在于源领域，模型需要弥合领域差距以应对跨领域ABSA。尽管领域自适应方法已被证明有效，但其中大多数基于判别模型，需要针对不同ABSA任务专门设计。为提供更通用的解决方案，我们提出一种统一的双向生成框架来处理各种跨领域ABSA任务。具体而言，我们的框架以文本到标签和标签到文本两个方向训练生成模型。前者将每个任务转换为统一格式以学习领域无关特征，后者从带噪标签生成自然句子用于数据增强，从而可训练出更精确的模型。为探究我们框架的有效性与通用性，我们在四个跨领域ABSA任务上进行了大量实验，并在所有任务上取得了新的最先进结果。我们的数据和代码公开于\url{https://github.com/DAMO-NLP-SG/BGCA}。
引用
@article{arxiv.2305.09509,
title = {Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis},
author = {Yue Deng and Wenxuan Zhang and Sinno Jialin Pan and Lidong Bing},
journal= {arXiv preprint arXiv:2305.09509},
year = {2023}
}
备注
ACL 2023 main conference