通过非反事实增强实现鲁棒方面级情感分析
计算与语言
2023-07-24 v2
摘要
尽管最先进的 NLP 模型在方面级情感分析（ABSA）上已展现出优异性能，但大量证据表明它们缺乏鲁棒性。这在面对分布外数据时表现为性能的显著下降尤为明显。近期依赖反事实增强数据集的方案展现出有前景的结果，但由于缺乏显式因果结构，它们 inherently 受限。本文提出一种替代方法，依赖于非反事实数据增强。我们的方案转而使用保留与目标方面相关语义的、含噪声且低成本的数据增强，然后通过建模不同数据版本间的不变性来提升鲁棒性。一套全面的实验表明，我们的方案在标准数据集和鲁棒性专用数据集上都显著优于强预训练基线。我们的方法进一步在 ABSA 鲁棒性基准上确立了新的 SOTA，并具有良好的跨领域迁移能力。
引用
@article{arxiv.2306.13971,
title = {Towards Robust Aspect-based Sentiment Analysis through Non-counterfactual Augmentations},
author = {Xinyu Liu and Yan Ding and Kaikai An and Chunyang Xiao and Pranava Madhyastha and Tong Xiao and Jingbo Zhu},
journal= {arXiv preprint arXiv:2306.13971},
year = {2023}
}
备注
10pages,1 figure,10 tables