综述@方面情感四元组抽取（ACOSQE）的研究进展与挑战

📘 文献简报：方面情感四元组抽取（ACOSQE）的研究进展与挑战

来源：Zhang, H., Cheah, Y.-N., Alyasiri, O.M., & An, J. (2023). Exploring aspect‑based sentiment quadruple extraction with implicit aspects, opinions, and ChatGPT: a comprehensive survey. Artificial Intelligence Review.
机构：马来西亚理科大学、沧州师范学院、幼发拉底中部技术大学
DOI：10.1007/s10462-023-10633-x

1. 核心概念与重要性

方面情感四元组抽取（ACOSQE） 是细粒度情感分析（SA）中的核心任务，隶属于方面情感分析（ABSA）。其目标是从文本中提取四个关键信息元素：

• 类别（Category, c）
• 方面词（Aspect Term, a）
• 观点词（Opinion Term, o）
• 情感极性（Sentiment Polarity, s）

ACOSQE 能够更全面、结构化地反映用户情感，对于商业评论分析、社会舆情挖掘等实际应用具有重要价值。

2. 四元组要素解析

• 方面词 (a)：指代实体的具体属性，可显式或隐式表示（如“通话质量”、“手感”）。
• 类别 (c)：方面所属的更广泛范畴，如“硬件”、“服务”，可预定义或自动识别。
• 观点词 (o)：表达态度的语言片段，可为显式（如“优秀”）或隐式（如讽刺表达）。
• 情感极性 (s)：对方面或类别的态度，常见分类为正（POS）、中（NEU）和负（NEG）。

3. ABSA 子任务概览

ACOSQE 整合了多项 ABSA 子任务，主要包括：

• ATE（方面词抽取）
• OTE（观点词抽取）
• ACD（方面类别检测）
• AOCE / AOOE（方面与观点协同抽取 / 观点指向方面抽取）
• ABSC / COSC（方面/类别情感分类）
• AOPE / ASPE（方面-观点/方面-情感配对抽取）
• ACSTE / AOSTE（三元组抽取：方面-类别-情感 / 方面-观点-情感）

这些任务在建模思路、训练策略与模型架构上为 ACOSQE 提供技术支持。

4. 数据集与评估

常用数据集：

数据集特点说明SemEval 2014-16ABSA 任务标准数据集，笔记本/餐厅领域SentiHood方面+情感标注，无观点词TOWE目标观点对抽取数据集，补充 SentiHood 缺失ASTE / MAMS三元组数据，多方面多情感ACOS / QUAD支持 ACOSQE 任务的全四元组标注数据集ASAP中文大规模类别情感数据DiaASQ支持对话场景的方面情感四元组抽取

评估指标：

• Precision (P)
• Recall (R)
• F1-score (F1)
• Accuracy (Acc)

并提供了基于混淆矩阵的计算方式。

5. 方法发展脉络

🌐 基于规则的方法

如 DP-ACOS，依赖依存句法等语言学特征，适用于低资源但精度有限。

💡 基于预训练模型的方法

模型代表性方法与特点BERT多种 fine-tuning 方式，适用于分类和抽取类任务BART生成式预训练模型，适合端到端情感信息生成T5文本到文本的统一生成框架，支持自然语言标签、无需复杂结构设计

文献汇总了大量基于 T5 的方法（如 GAS, Unified-GAS, Unified-Tree, Unified-MvP 等）在 QUAD 和 ACOS 数据集上的表现，并显示出其在处理隐式方面/观点与多任务情感建模上的潜力。

6. 方法创新与技术趋势

✅ 生成式方法（GAS）

• 利用自然语言标签提升表示能力
• 引入归一化策略优化输出结构
• 实现统一框架处理多任务

✅ 指令微调（Instruction Tuning）

• 将 ABSA 任务结构化为 Prompt
• 实现 Few-shot / Zero-shot 场景适配

✅ 模板顺序数据增强

• 利用 (c, a, o, s) 不同排列生成多样目标
• 增强模型泛化能力

✅ 不确定性感知优化（UAUL）

• 利用 Monte Carlo dropout 与 MULL 进行样本重加权
• 增强模型抗噪与置信度控制

7. 对话情境扩展：DiaASQ

• 新任务：CASA，旨在处理多轮对话中的情感推理
• DiaASQ 数据集，支持跨语句的四元组抽取
• 多视图交互模型（如 Thread + Speaker + Turn Level）提升上下文理解能力

8. 大型语言模型（LLMs）与 ChatGPT 的影响

✅ 优势：

• 可通过 Prompt 实现 ACOSQE 任务
• 表现优于微调 BERT，尤其在开放领域和极性漂移任务中
• 具备领域无关性、泛化能力强

⚠️ 挑战：

• 缺乏大规模、多领域、显式/隐式全面覆盖的数据集
• 仍需对 ChatGPT 等模型在 ABSA 任务中的能力进行系统评估与控制

9. 总结与未来方向

• ACOSQE 任务的复杂性在于处理多粒度、多模态、显式与隐式要素之间的交互。
• 模型方法从规则系统演进到统一生成模型，T5 系列方法显示出广阔应用潜力。
• 对话情境（DiaASQ）和大模型（LLMs）正在拓展任务边界。
• 未来需聚焦于：
  隐式要素建模
  多任务协同优化
  大模型安全性与偏差控制
  数据集多样性与可解释性评估