CCIIP实验室2020级研究生梁硕同学（2020年9月入学，导师：魏巍）论文“STAGE: Span Tagging and Greedy Inference Scheme for Aspect Sentiment Triplet Extraction”被第37届人工智能领域顶级国际会议AAAI 2023作为长文全文录用。 第37届国际人工智能大会（AAAI2023）计划于2023年2月7日-2月14日在美国华盛顿召开。AAAI是CCF推荐的A类国际学术会议，在人工智能领域享有很高的学术声誉。这次会议共收到来自8777篇投稿，录用1721篇，录用率约19.6%。
论文标题：STAGE: Span Tagging and Greedy Inference Scheme for Aspect Sentiment Triplet Extraction
作者：Shuo Liang, Wei Wei*, Xian-Ling Mao , Yuanyuan Fu, Rui Fang, Dangyang Chen
论文简介：
方面情感三元组抽取（Aspect Sentiment Triplet Extraction, ASTE）旨在从输入句子中提出方面项（Aspect Term）、对应的观点项（Opinion Term）及情感极性（Sentiment Classification）的三元组。现有研究已有不同标注策略用于解决该任务，但仍存在下述局限性：1）依赖于“单一词角色、单一词对关系”的先验假设，制约词角色的多样性；2）强依赖于词级别（word-level）的信息交互，无法有效利用跨度级别（span-level）的信息；因此，针对上述问题，本文将ASTE建模为多类别跨度分类(Multi-class span classification)问题，提出一种跨度标注策略和贪婪推理方案(Span TAgging and Greedy InfErence，STAGE)。
具体而言，跨度标注策略通过定义三种角色维度：方面项、观点项、情感片段(Sentiment Snippet, 即包含一个匹配的方面-观点对，且共享其边界的文本片段)，并基于上述三种角色维度对文本中的每一跨度进行标注，能够天然地利用跨度信息并考虑角色多样性，端到端一次性地抽取对应的方面项、观点项及其对应的匹配，从而克服现有标注策略的局限性。贪婪推理方案考虑跨度信息之间的约束，从候选情感片段中检索出最大长度的方面及观点作为匹配项，能够更有效地抽取出更准确的方面情感三元组。
文章基于STAGE实现一个简单有效的模型，在四个基准数据集上的实验证明方案有效性。此外，在实体关系抽取（Entity and Relation Extraction）任务上的实验结果也表明STAGE能够容易地推广到其他对/三元组提取任务中，进一步表明所提方案的优越性。
图 1 标注样例(3D-version)
图 2 模型框架