2021年8月10日，由博士生梁斌和硕士生骆旺达牵头撰写的论文《EnhancingAspect-based Sentiment Analysis with Contrastive Learning》获第30届信息和知识管理会议（The 30th ACM International Conference on Information and KnowledgeManagement, CIKM 2021）录用。CIKM起始于1992年，是信息检索和数据挖掘领域的国际顶级学术会议，在中国计算机学会推荐会议列表中被列为B类会议。
基于方面的情感分析(ABSA)旨在从上下文中检测特定方面的情感。现有的ABSA研究大多致力于从句子中提取面向特定方面的情感特征。然而，分析发现现有的常用公共数据集中约60%的测试方面在训练集中是未知的。也就是说，在数据集中存在一些方面无关情感特征，即它们对于任何方面的情感表达都是不变的（aspect-invariantsentiment）。这些方面无关情感特征为未知测试方面的情感推天然地提供了支持，同时这也是现有 ABSA 模型具有较高的精度的主要原因之一。基于这一发现，我们在ABSA任务中首次提出了将方面无关情感特征显示地从数据集中提取出来，通过一种新颖的数据增强方式，给训练集数据赋予一个增强类别来表示该样本的情感模式，即方面无关或方面依赖（aspect-invariant/-dependent）。基于此，本文提出一种新颖的基于有监督对比学习框架（BERT-SCon），同时学习情感模式和情感极性的对比信息，从而有效提升训练样本的情感特征表达能力。在5个基准数据集上的实验结果表明，本文所提出的BERT-SCon在ABSA任务中取得了目前最佳的性能。此外，所提出的对比框架可以直接与现有的基于神经网络的ABSA模型结合并取得显着改进。本文的模型框架图如下：
下表为本文的主实验结果：
论文信息：
Bin Liang, Wangda Luo, Xiang Li, Lin Gui, Min Yang, Xiaoqi Yu and Ruifeng Xu*. EnhancingAspect-Based Sentiment Analysis with Supervised Contrastive Learning. The 30thACM International Conference on Information and Knowledge Management (CIKM),Nov. 2021.
