近日，人工智能領域的全球頂級學術會議AAAI公布了2021年論文錄用結果，容聯(lián)云人工智能實驗室(Cloopen Research)與南開大學的聯(lián)合研究成果提出了基于雙向閱讀理解框架的情感三元組抽取模型，聯(lián)合論文《Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction》已被AAAI 2021收錄。
AAAI會議由國際人工智能促進協(xié)會主辦，被中國計算機學會列為A類會議，是業(yè)界廣泛認可的頂級AI學術盛會。AAAI 2021投稿論文總數(shù)達到“驚人的高技術水平”，9034篇投稿論文中，7911篇接受評審，最終1692篇被錄取，錄取率為21%，錄取難度高。
此次容聯(lián)云與南開大學合作開展的研究目標是針對各類網站上積累的海量的用戶評論、對話等數(shù)據進行語義挖掘。這些數(shù)據包含消費者對各類商品或服務的評價、觀點以及態(tài)度，越來越多的企業(yè)與機構開始關注并收集用戶的意愿，迫切地想了解用戶對于企業(yè)的產品和其服務的反饋信息，對這些數(shù)據進行細粒度意見挖局具有重要的應用價值。
細粒度意見挖掘是NLP中一個重要的研究方向，涉及評價方面抽取(Aspect term extraction)、評價詞抽取(Opinion term extraction)、屬性級情感分類(Aspect-level sentiment classification)等諸多任務。
細粒度意見挖掘存在諸多挑戰(zhàn)：
第一，經典細粒度意見分析通常是基于多步驟的方法，通過逐一地完成獨立子任務，形成一個流水線。如何設計一個整體模型同時完成這些密切關聯(lián)的任務，減少錯誤傳遞，并使他們相互促進是一個重要挑戰(zhàn)。
第二，評價方面和評價詞之間的對應關系通常是復雜多樣的，比如一對多、多對一、甚至會出現(xiàn)重疊和嵌套的情況。因此，如何靈活、準確地檢測評價方面和評價詞之間的對應關系是一個重要挑戰(zhàn)。
第三，一個意見句中可能會包含不同的評價方面，而不同的評價方面又可能對應不同的情感極性?？紤]到這些情感極性通常是由評價方面和其對應的評價詞共同決定的，因此如何恰當?shù)乩迷u價方面和評價詞之間的對應關系來指導屬性級情感分類任務也是一個重要的挑戰(zhàn)。
在本篇論文中，創(chuàng)新性地將意見三元組抽取形式化為一種多輪閱讀理解(Multi-Turn Machine Reading Comprehension, MTMRC)任務，并提出一種雙向閱讀理解框架(Bidirectional Machine Reading Comprehension, BMRC)。通過設計三個輪次閱讀理解問答，BMRC可以靈活地建立意見實體抽取、關系檢測、情感分類三個子任務之間的關聯(lián)，進而有效解決上述挑戰(zhàn)。通過設計雙向的MRC框架，論文模型可以更好地模擬人的閱讀行為，確保評價方面或評價詞均可觸發(fā)一個意見三元組，進而提升識別效果。
為了驗證BMRC模型的有效性，論文在來自SemEval ABSA Challenges的四個公開數(shù)據集上進行了實驗，實驗結果如圖所示。實驗表明，論文所提方法在意見二元組抽取(下圖中“P”列)和意見三元組抽取任務(下圖中“T”列)上的多個指標均取得了最優(yōu)的性能。
四個公開數(shù)據集上的實驗結果(%)
本研究提出創(chuàng)新的雙向閱讀理解抽取框架，打破了傳統(tǒng)法的局限，更符合人類閱讀行為和思維模式，從而提升了識別效果，取得了顯著優(yōu)于現(xiàn)有方法的識別性能。
細粒度情感分析對于輿情分析、對話理解等諸多下游任務具有重要的意義，是當前眾多研究機構和研究者著力解決的重要挑戰(zhàn)。BMRC模型的提出是對這一NLP關鍵問題的有效探索和推進。
未來，容聯(lián)云將進一步聯(lián)合南開大學將該成果應用于容聯(lián)云AI kernel云梯平臺。AI kernel云梯平臺是一個面向企業(yè)和集成開發(fā)商，提供自學習平臺、bot對話能力以及NLP原子能力等的AI能力平臺。平臺支持一鍵式構建、訓練和發(fā)布AI模型，基于沉淀的多種可復用的AI模型，幫助企業(yè)更快構建各類場景需求的智能化產品。
為了更好的將通訊與AI結合，賦能客服與聯(lián)絡中心產業(yè)智能化升級，2018年以來，容聯(lián)云人工智能實驗室不斷在語音語義等領域加大研究與投入，并持續(xù)將研究成果產品化、工程化，通過技術與產品創(chuàng)新驅動產業(yè)智能化升級。
（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
