复旦大学邢晓渝：无监督句法分析模型里面的监督信号

⬆⬆⬆              点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

细粒度情感分析，也叫做基于方面的情感分析是情感分析中的一个子任务。虽然现有的模型在该任务上的效果很好，但是现有的测试集并不能够用来研究模型是否基于目标方面的情感词而做出的正确预测。本次分享从现有数据集存在的问题出发，提出了简单而有效地测试样本构建方法，丰富了原有的测试集，从而评测并分析了现有模型的鲁棒性。

本期AI TIME PhD直播间，我们有幸邀请到复旦大学研究生邢晓渝为我们进行分享，本次分享的主题是——无监督句法分析模型里面的监督信号。

邢晓渝：复旦大学自然语言处理组2018级在读研究生，导师张奇教授。研究方向有细粒度情感分析、命名实体识别，多项研究工作发表在国际会议ACL、EMNLP上。

一、 自动生成数据的方法介绍

当一个模型展现了很好的表现的时候，它不一定是强壮的或是具有很强的鲁棒性。那么在ABSA模型中，什么样的模型是鲁棒的呢？我们认为一个具有鲁棒性的细粒度情感分析模型应该具有一下三个特征：

1.在句子中哪些词语是方面，即aspects；

2.它应该知道哪些词是情感词；

3.最重要的一点，它应该知道对于我们要预测的目标方面来说哪些情感词是来修饰它的。

现有的深度学习模型在ABSA模型上面都取得了非常好的效果，然而这些模型是否真的明白方面和情感词之间的对应关系呢？

接下来看几个典型的例子：

1)“Tasty burgers，crispy fries.”：在这个句子中burgers是我们需要预测的一个方面词，它的情感极性是正向的，ABSA模型也会将它预测为正向的。

2)“Tasty burgers， soggy fries”：在这个句子中fries的情感极性是负向的，而我们需要预测的burgers的情感极性是正向的，在这个情况下ABSA模型会感到一些困惑。

3)“Tasty burgers， soggy fries， and worst of all the service.”：在这个句子中所有的非目标方面都是负向的，ABSA模型在这个例子中预测为负向，预测失败。