Train Once for All: A Transitional Approach for Efficient Aspect Sentiment Triplet Extraction
计算与语言
2025-02-10 v2
摘要
方面-观点对抽取(AOPE)和方面情感三元组抽取(ASTE)正在引起越来越多的关注。然而，大多数现有方法独立抽取方面和观点，或可选地添加两两关系，常导致误差传播和高时间复杂度。为解决这些挑战并受过渡式依赖解析的启发，我们提出了首个用于AOPE和ASTE的过渡式模型，联合进行方面和观点的抽取，并且更好地捕获位置感知的方面-观点关系，减轻实体级偏差。通过集成对比增强优化，我们的模型能够提供更准确的动作预测，并以线性时间联合优化各子任务。在4个常用的ASTE/AOPE数据集上进行的大量实验表明，尽管在单个数据集上训练时性能不如某些先前模型，但我们的模型在训练于多个数据集时在ASTE和AOPE上均实现最佳性能，常以显著的边际优势超过最强的以前模型。我们假设这源于我们的模型能够从多个数据集和领域中学习过渡动作。我们的代码可在 https://anonymous.4open.science/r/trans_aste-8FCF 查阅。
引用
@article{arxiv.2412.00208,
title = {Train Once for All: A Transitional Approach for Efficient Aspect Sentiment Triplet Extraction},
author = {Xinmeng Hou and Lingyue Fu and Chenhao Meng and Kounianhua Du and Wuqi Wang and Hai Hu},
journal= {arXiv preprint arXiv:2412.00208},
year = {2025}
}