基于均值教师的跨域方面情感三元组抽取

跨域方面情感三元组抽取（ASTE）旨在利用源域获取的知识，从目标域句子中抽取细粒度情感元素。由于目标域缺乏标注数据，近期研究倾向于使用预训练语言模型生成大量合成数据进行训练。然而，这些方法会带来额外的数据生成计算成本。我们发现，ASTE中的表格填充方法与计算机视觉中的两阶段目标检测（OD）存在惊人的相似性，这激发了我们从OD视角重新审视跨域ASTE任务，使模型能够受益于OD抽取范式和区域级对齐。具体而言，表格填充方法将句子编码为二维表格以检测词语关系，而TFMT（Table-Filling via Mean Teacher）将表格视为特征图，利用区域一致性提高生成伪标签的质量。此外，考虑到领域差距，本文设计基于最大均值差异（MMD）的跨域一致性机制以缓解领域迁移问题。我们的方法在最小参数和计算成本下实现了最先进的性能，成为跨域ASTE的强基线。