论文解读:SentiPrompt: Sentiment Knowledge Enhanced Prompt-Tuning for Aspect-Based Sentiment Analysis
简要信息:
序号 | 属性 | 值 |
---|
1 | 模型名称 | SentiPrompt |
2 | 所属领域 | 自然语言处理;情感分析 |
3 | 研究内容 | 预训练语言模型;Prompt框架 |
4 | 核心内容 | Prompt-based Fine-tuning |
5 | GitHub源码 | https://github.com/MrZixi/SentiPrompt |
6 | 论文PDF | https://arxiv.org/pdf/2109.08306.pdf |
核心要点:
- 首次将prompt用于方面级情感分析任务(ABSA);
- 提出SentiPrompt-tuning,给定已知的aspect和opinion,构建continous template预测对应的sentiment polarity类别;
- 使用BART预测aspect和opinion在句子中的索引;
一、任务背景
方面级情感分析(Aspect-based Sentiment Analysis, ABSA)任务是一种较为细粒度的情感分析任务,其旨在需要抽取aspect、对比polarities以及寻找opinion;整个任务目的寻找每个成分的情感取向及原因,并判断整个情感取向。
例如如图所示:
给定一个句子,先前的方法则通过若干sub-task解决ABSA任务:
- Aspect Term Extraction & Sentiment Classification:抽取相应的aspect(例如owners、beer selection等“主人公”)以及他们的情感取向(分类任务,例如positive);
Aspect Term Extraction and Sentiment Classification (AESC) requires extracting the aspect terms and classifying the sentiment polarities about them
- Pair Extraction:抽取aspect的同时,抽取相应的观点描述(例如great fun、worth staying for)
Pair Extraction (Pair) extracts the aspect terms as well as the corresponding opinion terms simultaneously
- Sentiment Triplet Extraction (Triplet):同时抽取aspect、sentiment以及opinion,例如(owners, great fun, positive)
因此本质上ABSA是一个信息抽取的任务,即给定一个文本,其需要抽取的aspect(aaa)和opinion(ooo)属于文本中的某个区间span text,抽取的sentiment polarity(sss)则是最终的感情取向(positive、negative和neutral)
二、动机
- 先前工作解决ABSA的sub-task采用pipeline方法,非端到端的方法容易造成误差传播问题。后来端到端的神经网络用于解决ABSA任务,因此可以联合抽取aspect、opinon和polarities。
- 现如今常用预训练语言模型,但其pre-training的目标与fine-tuning存在差异,限制了先验知识的利用潜能;
- Prompt-tuning提出很好的解决了pre-training和fine-tuning之间的gap,其根据设计的prompt实现下游任务的预测。目前人工构建的prompt成本较高;
三、方法
3.1 任务描述
给定一个文本 X=[x1,x2,⋯,xn]X=[x_1, x_2, \cdots, x_n]X=[x1,x2,⋯,xn],三个sub-task的输出分别表示为:
本文提出模型如下图:
其主要包括两个部分:
- SentiPrompt tuning:在给定输入句子以及aspect以及opinion的前提下,设计continuous template实现对sentiment polarity的分类预测;
- Generation:用来生成aspect和opinion的在句子中的索引;
3.2 SentiPrompt Tuning
Sentiment Knowledge Enhanced Prompt Construction
给定一个文本“Good Sushi High Price”,采用continous方法构建template TTT,其包含pseudo token PkP_kPk(什么是pseudo token?可参考P-tuning)以及随机挑选的groud truth aspect(记作 AAA,例如Sushi、Price)和opinion(记作 OOO,例如Good、High):
当已知aspect以及opinon组成的pair时(例如已知一个groud truth(Sushi,Good)),则直接在上面构建的template后缀添加额外的template,表示预测这个pair的sentiment polarity:
因此两者结合可以表示为:
例如template可以设计为:
第一个[MASK]位置的label word为 {“yes”, “no”},第二个[MASK]位置的label word为 {POS, NEG, NEU}。
下图中给出了示例“Good Sushi High Price”对应的template:
任务目标则为传统的交叉信息熵:
Prompt Encoder
该部分直接利用P-tuning,对所有普通的token以及pseudo token先使用BART的embedding进行初始化:
其次将所有pseudo token喂入LSTM和MLP后得到隐状态向量:
最后将所有pseudo token替换掉原始的BART embedding,而aspect、opinion 以及[MASK] token保持原来的embedding,最终得到新的embedding:
将新的embedding喂入BART模型中,根据Masked Language Model,可以预测每个[MASK]位置的词。
3.3 Generation Framework for ABSA
BART模型主要分为Encoder和Decoder。Encoder部分为原始的非自回归Transformer模块,用于对句子进行表征,Decoder为自回归模块,本文扩展BART并应用到ABSA任务熵,具体设计如下:
Encoder
Encoder用于表征输入句子,并获得隐状态向量:
Decoder
在第 ttt 时刻,输入Encoder的隐状态向量 HeH^eHe,以及前 t−1t-1t−1 个已经生成的结果(token word),输出当前时刻预测的token索引。
因为自回归模型是将上一次的输出作为下一次的输入,而BART输出的是索引,输入的是token,因此需要进行index convert:
因为输出的label中,除了原始句子中的token外,还有额外的polarity class:POS、NEG和NEU,因此如果生成的索引属于原始句子,则取句子中的token,否则取polarity class。
因此BART的decoder自回归模型输出可表示为:
最后在训练时,SentPrompt-tuning和Generation两个部分的目标进行加权求和: