属性级情感分析（ABSA）的意见树生成模型：解决结构化生成问题

近年来，属性级情感分析（ABSA）在学术界引起了广泛的关注。ABSA包括四个子任务，分别是属性词抽取、情感词抽取、属性词类别分类和情感倾向分类。前两个子任务的目标是从句子原文中提取属性词和情感词，而后两个子任务的目标是确定提取的属性词的类别和情感倾向。目前的研究主要集中在同时抽取多个情感元素，例如属性词、情感词和情感倾向的三元抽取。然而，本章的研究和第三章一样，专注于属性级情感四元抽取任务。\n\n以往的主流研究将ABSA任务视为词级分类任务的管道或联合学习方式。这种方法通常需要复杂的模型设计，并受误差传播的影响。因此，最近的研究倾向于使用统一的生成方法解决ABSA问题。例如，他们将目标类别映射为指数序列或构建情感元素序列作为生成模型的目标。然而，本文第三章的工作指出，现有的扁平化生成模型忽视了情感元素之间的语义关系的重要性。因此，本文在大规模预训练生成模型的基础上提出了一个意见树生成模型，以联合检测树形结构中的所有情感元素。\n\n然而，由于这些大规模预训练文本生成模型在预训练阶段的训练目标都是非结构化的扁平化任务，例如机器翻译、摘要生成或掩码语言模型（Mask Language Model）。尽管它们在文本生成任务上表现出较高的性能，但是当应用于结构化生成任务时，仍然面临微调任务和预训练任务目标之间差距较大的问题。因此，在生成目标序列时无法保证树形结构的合法性和完整性，导致生成的字符序列可能无法解码成合法的意见树。