近日，人工智能領(lǐng)域的全球頂級(jí)學(xué)術(shù)會(huì)議AAAI公布了2021年論文錄用結(jié)果，容聯(lián)云人工智能實(shí)驗(yàn)室（Cloopen Research）與南開大學(xué)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(huì)議由國(guó)際人工智能促進(jìn)協(xié)會(huì)主辦，被中國(guó)計(jì)算機(jī)學(xué)會(huì)列為A類會(huì)議，是業(yè)界廣泛認(rèn)可的頂級(jí)AI學(xué)術(shù)盛會(huì)。AAAI 2021投稿論文總數(shù)達(dá)到“驚人的高技術(shù)水平”，9034篇投稿論文中，7911篇接受評(píng)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(xué)合作開展的研究目標(biāo)是針對(duì)各類網(wǎng)站上積累的海量的用戶評(píng)論、對(duì)話等數(shù)據(jù)進(jìn)行語義挖掘。這些數(shù)據(jù)包含消費(fèi)者對(duì)各類商品或服務(wù)的評(píng)價(jià)、觀點(diǎn)以及態(tài)度，越來越多的企業(yè)與機(jī)構(gòu)開始關(guān)注并收集用戶的意愿，迫切地想了解用戶對(duì)于企業(yè)的產(chǎn)品和其服務(wù)的反饋信息，對(duì)這些數(shù)據(jù)進(jìn)行細(xì)粒度意見挖局具有重要的應(yīng)用價(jià)值。
細(xì)粒度意見挖掘是NLP中一個(gè)重要的研究方向，涉及評(píng)價(jià)方面抽取（Aspect term extraction）、評(píng)價(jià)詞抽取（Opinion term extraction）、屬性級(jí)情感分類（Aspect-level sentiment classification）等諸多任務(wù)。
細(xì)粒度意見挖掘存在諸多挑戰(zhàn)：
第一，經(jīng)典細(xì)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(dú)立子任務(wù)，形成一個(gè)流水線。如何設(shè)計(jì)一個(gè)整體模型同時(shí)完成這些密切關(guān)聯(lián)的任務(wù)，減少錯(cuò)誤傳遞，并使他們相互促進(jìn)是一個(gè)重要挑戰(zhàn)。
第二，評(píng)價(jià)方面和評(píng)價(jià)詞之間的對(duì)應(yīng)關(guān)系通常是復(fù)雜多樣的，比如一對(duì)多、多對(duì)一、甚至?xí)霈F(xiàn)重疊和嵌套的情況。因此，如何靈活、準(zhǔn)確地檢測(cè)評(píng)價(jià)方面和評(píng)價(jià)詞之間的對(duì)應(yīng)關(guān)系是一個(gè)重要挑戰(zhàn)。
第三，一個(gè)意見句中可能會(huì)包含不同的評(píng)價(jià)方面，而不同的評(píng)價(jià)方面又可能對(duì)應(yīng)不同的情感極性。考慮到這些情感極性通常是由評(píng)價(jià)方面和其對(duì)應(yīng)的評(píng)價(jià)詞共同決定的，因此如何恰當(dāng)?shù)乩迷u(píng)價(jià)方面和評(píng)價(jià)詞之間的對(duì)應(yīng)關(guān)系來指導(dǎo)屬性級(jí)情感分類任務(wù)也是一個(gè)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(wù)，并提出一種雙向閱讀理解框架（Bidirectional Machine Reading Comprehension, BMRC）。通過設(shè)計(jì)三個(gè)輪次閱讀理解問答，BMRC可以靈活地建立意見實(shí)體抽取、關(guān)系檢測(cè)、情感分類三個(gè)子任務(wù)之間的關(guān)聯(lián)，進(jìn)而有效解決上述挑戰(zhàn)。通過設(shè)計(jì)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(píng)價(jià)方面或評(píng)價(jià)詞均可觸發(fā)一個(gè)意見三元組，進(jìn)而提升識(shí)別效果。
為了驗(yàn)證BMRC模型的有效性，論文在來自SemEval ABSA Challenges的四個(gè)公開數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖所示。實(shí)驗(yàn)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(wù)（下圖中“T”列）上的多個(gè)指標(biāo)均取得了最優(yōu)的性能。
四個(gè)公開數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)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(shí)別效果，取得了顯著優(yōu)于現(xiàn)有方法的識(shí)別性能。
細(xì)粒度情感分析對(duì)于輿情分析、對(duì)話理解等諸多下游任務(wù)具有重要的意義，是當(dāng)前眾多研究機(jī)構(gòu)和研究者著力解決的重要挑戰(zhàn)。BMRC模型的提出是對(duì)這一NLP關(guān)鍵問題的有效探索和推進(jìn)。
未來，容聯(lián)云將進(jìn)一步聯(lián)合南開大學(xué)將該成果應(yīng)用于容聯(lián)云AI kernel云梯平臺(tái)。AI kernel云梯平臺(tái)是一個(gè)面向企業(yè)和集成開發(fā)商，提供自學(xué)習(xí)平臺(tái)、bot對(duì)話能力以及NLP原子能力等的AI能力平臺(tái)。平臺(tái)支持一鍵式構(gòu)建、訓(xùn)練和發(fā)布AI模型，基于沉淀的多種可復(fù)用的AI模型，幫助企業(yè)更快構(gòu)建各類場(chǎng)景需求的智能化產(chǎn)品。
為了更好的將通訊與AI結(jié)合，賦能客服與聯(lián)絡(luò)中心產(chǎn)業(yè)智能化升級(jí)，2018年以來，容聯(lián)云人工智能實(shí)驗(yàn)室不斷在語音語義等領(lǐng)域加大研究與投入，并持續(xù)將研究成果產(chǎn)品化、工程化，通過技術(shù)與產(chǎn)品創(chuàng)新驅(qū)動(dòng)產(chǎn)業(yè)智能化升級(jí)。
