Published January 1, 2022
| Version v1
Publication
Open
COM-MRC: A COntext-Masked Machine Reading Comprehension Framework for Aspect Sentiment Triplet Extraction
- 1. Beijing University of Posts and Telecommunications
- 2. Ministry of Education of the People's Republic of China
Description
Aspect Sentiment Triplet Extraction (ASTE) aims to extract sentiment triplets from sentences, which was recently formalized as an effective machine reading comprehension (MRC) based framework.However, when facing multiple aspect terms, the MRC-based methods could fail due to the interference from other aspect terms.In this paper, we propose a novel COntext-Masked MRC (COM-MRC) framework for ASTE.Our COM-MRC framework comprises three closely-related components: a context augmentation strategy, a discriminative model, and an inference method.Specifically, a context augmentation strategy is designed by enumerating all masked contexts for each aspect term.The discriminative model comprises four modules, i.e., aspect and opinion extraction modules, sentiment classification and aspect detection modules.In addition, a two-stage inference method first extracts all aspects and then identifies their opinions and sentiment through iteratively masking the aspects.Extensive experimental results on benchmark datasets show the effectiveness of our proposed COM-MRC framework, which outperforms state-of-the-art methods consistently 1 .
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يهدف استخلاص المشاعر الجانبية الثلاثية (Aste) إلى استخراج المشاعر الثلاثية من الجمل، والتي تم إضفاء الطابع الرسمي عليها مؤخرًا كإطار فعال قائم على فهم القراءة الآلية (MRC). ومع ذلك، عند مواجهة مصطلحات جانبية متعددة، يمكن أن تفشل الأساليب القائمة على MRC بسبب التداخل من مصطلحات جانبية أخرى. في هذه الورقة، نقترح إطارًا جديدًا لـ COntext - Masked MRC (COM - MRC) لـ ASTE. يتكون إطار COM - MRC الخاص بنا من ثلاثة مكونات وثيقة الصلة: استراتيجية زيادة السياق، ونموذج تمييزي، وطريقة استدلال. على وجه التحديد، تم تصميم استراتيجية زيادة السياق من خلال تعداد جميع السياقات المقنعة لكل مصطلح جانبي. يشتمل النموذج التمييزي على أربع وحدات، أي وحدات استخلاص الجانب والرأي، ووحدات تصنيف المشاعر وكشف الجوانب. بالإضافة إلى ذلك، تقوم طريقة الاستدلال على مرحلتين أولاً باستخراج جميع الجوانب ثم تحديد آرائهم ومشاعرهم من خلال إخفاء الجوانب بشكل فعال. تظهر نتائج التجربة المكثفة على معايير الفعالية المقترحة لإطار عمل COM - MRC الخاص بنا، والتي يتم تنفيذها باستمرار.Translated Description (French)
Aspect Sentiment Triplet Extraction (ASTE) vise à extraire des triplets de sentiment à partir de phrases, qui a été récemment formalisé en tant que cadre efficace basé sur la compréhension par lecture automatique (MRC). Cependant, face à plusieurs termes d'aspect, les méthodes basées sur MRC pourraient échouer en raison de l'interférence d'autres termes d'aspect. Dans cet article, nous proposons un nouveau cadre COntext-Masked MRC (COM-MRC) pour ASTE. Notre cadre COM-MRC comprend trois composants étroitement liés : une stratégie d'augmentation de contexte, un modèle discriminatif et une méthode d'inférence. Spécifiquement, une stratégie d'augmentation de contexte est conçue en énumérant tous les contextes masqués pour chaque terme d'aspect. Le modèle discriminatif comprend quatre modules, à savoir, les modules d'extraction d'aspect et d'opinion, la classification de sentiment et les modules de détection d'aspect. En outre, une méthode d'inférence en deux étapes extrait d'abord tous les aspects, puis identifie leurs opinions et leur sentiment en masquant itérativement les aspects. Des résultats expérimentaux approfondis sur des ensembles de données de référence montrent l'efficacité de notre cadre COM-MRC proposé, qui surpasse systématiquement les méthodes de pointe 1 .Translated Description (Spanish)
Aspect Sentiment Triplet Extraction (ASTE) tiene como objetivo extraer trillizos de sentimiento de oraciones, que recientemente se formalizó como un marco basado en la comprensión de lectura automática efectiva (MRC). Sin embargo, cuando se enfrentan a términos de múltiples aspectos, los métodos basados en MRC podrían fallar debido a la interferencia de otros términos de aspecto. En este documento, proponemos un nuevo marco COntext-Masked MRC (COM-MRC) para ASTE. Nuestro marco COM-MRC comprende tres componentes estrechamente relacionados: una estrategia de aumento de contexto, un modelo discriminativo y un método de inferencia. Específicamente, una estrategia de aumento de contexto se diseña enumerando todos los contextos enmascarados para cada término de aspecto. El modelo discriminativo comprende cuatro módulos, es decir, módulos de extracción de aspecto y opinión, clasificación de sentimientos y módulos de detección de aspectos. Además, un método de inferencia de dos etapas primero extrae todos los aspectos y luego identifica sus opiniones y sentimientos a través del enmascaramiento iterativo de los aspectos. Los resultados experimentales extensos en conjuntos de datos de referencia muestran la efectividad de nuestro marco COM-MRC propuesto, que supera los métodos de última generación de manera consistente 1 .Files
2022.emnlp-main.212.pdf.pdf
Files
(1.9 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:c717dcb228824335b15a4724c84082a3
|
1.9 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- COM - MRC: إطار فهم القراءة الآلية المقنعة للنص الأساسي لاستخراج التوائم الثلاثية للمشاعر الجانبية
- Translated title (French)
- COM-MRC : A COntext-Masked Machine Reading Comprehension Framework for Aspect Sentiment Triplet Extraction
- Translated title (Spanish)
- COM-MRC: A COntext-Masked Machine Reading Comprehension Framework for Aspect Sentiment Triplet Extraction
Identifiers
- Other
- https://openalex.org/W4385572874
- DOI
- 10.18653/v1/2022.emnlp-main.212
References
- https://openalex.org/W2251294039
- https://openalex.org/W2251648804
- https://openalex.org/W2465978385
- https://openalex.org/W2562607067
- https://openalex.org/W2890240222
- https://openalex.org/W2891778157
- https://openalex.org/W2905325083
- https://openalex.org/W2946015932
- https://openalex.org/W2949660355
- https://openalex.org/W2950488390
- https://openalex.org/W2950601686
- https://openalex.org/W2962741379
- https://openalex.org/W2962843214
- https://openalex.org/W2963063806
- https://openalex.org/W2963168371
- https://openalex.org/W2963240575
- https://openalex.org/W2963264961
- https://openalex.org/W2963341956
- https://openalex.org/W2965510113
- https://openalex.org/W2970748008
- https://openalex.org/W2971220558
- https://openalex.org/W2985056549
- https://openalex.org/W2997194369
- https://openalex.org/W2998446468
- https://openalex.org/W3034802586
- https://openalex.org/W3035407080
- https://openalex.org/W3035529900
- https://openalex.org/W3100132436
- https://openalex.org/W3101602207
- https://openalex.org/W3105083537
- https://openalex.org/W3105293920
- https://openalex.org/W3174860526
- https://openalex.org/W3176038554
- https://openalex.org/W3176719207
- https://openalex.org/W3176920001