研究背景

研究亮点

图文导读

图1展示了ABSA任务的分类体系，明确了本文的研究范围。ABSA的关键元素包括四个：方面词（aspect term, a）、方面类别（aspect category, c）、观点词（opinion term, o）和情感极性（sentiment polarity, s）。单一任务仅预测一个元素（如ATE、OTE、ASC、ACC），复合任务预测两个元素（如AOPE、ATSC），而复杂复合任务预测三个及以上元素：ASTE预测(a,o,s)三元组，TASD预测(a,c,s)三元组，ASQP和ACOS预测(a,c,o,s)四元组。本综述重点关注这些复杂复合任务，因为它们提供接近完整的预测结果，对用户更有实用价值。

表1通过一个具体的餐饮评论示例展示了四种复杂复合ABSA任务的区别。对于输入文本“I think it is good, just the sauce was a little bit thick and the price was expensive”：ASTE输出三元组如(price, expensive, NEG)；TASD输出三元组如(price, PRICE, NEG)和(sauce, FOOD, NEG)；ASQP和ACOS输出四元组如(price, PRICE, expensive, NEG)。两者的区别在于，ASQP的方面词和观点词必须显式出现在文本中，而ACOS允许隐式方面词和隐式观点词（即文本中未直接出现的情况）。

表2提供了所有任务及其数据集的详细统计信息。数据集主要来源于SemEval系列评测任务：SemEval-2014（笔记本和餐厅域）、SemEval-2015、SemEval-2016，以及ASTE-Data-V2和ACOS专用数据集。统计内容包括训练集/验证集/测试集的输入文本数量，以及正/中/负情感的三元组或四元组分布。值得注意的是，各任务的数据集存在重叠但不完全相同，且正面情感在所有数据集中均占比最高。

图2展示了抽取式方法的主要技术路线。抽取式方法将ABSA视为序列标注或分类问题，分为三大类：（1）流水线方法（Pipeline）：分为元素提取和情感分类/验证两个阶段，先提取方面词和观点词，再对候选词进行情感分类；（2）联合/多任务方法（Joint/Multi-task）：通过标签操作、强化学习或端到端学习将多个子任务统一；（3）统一抽取方法（Unified Extractive）：如基于阅读理解（MRC）的方法和级联框架。典型模型包括GTS（网格标注）、JET（统一标签）、Span-ASTE（跨度层面提取）、SBN（双向网络）、B-MRC和Dual-MRC（阅读理解）等，大多以BERT-base为编码器。

图3展示了生成式方法的主要技术路线。生成式方法将ABSA转化为文本生成问题，用序列到序列（seq2seq）模型直接生成包含情感元素的文本序列。主要分为三类：（1）通用任务转换（Common Task Transformation）：如GAS将标签转为格式化文本，Paraphrase将标签转为自然语言释义，BART-ABSA使用指针和类别索引机制；（2）多任务学习与统一（Multi-task & Unification）：如MvP通过多视角提示和投票机制达到最优性能，UIE利用异构数据集预训练，UnifiedABSA将所有任务统一为文本到文本问题，LEGO-ABSA用元素提示实现从简单到复杂任务的迁移；（3）非自回归方法（Non-autoregressive）：如NAT一次性生成所有输出，避免自回归的顺序依赖问题。大多数生成式模型以T5-base或BART-base为骨干网络。

表3是本综述的核心实验结果，展示了所有覆盖模型在10个数据集、四个任务上的F1分数。关键发现包括：在ASTE任务上，SBN是抽取式方法的最佳模型，Span-ASTE和B-MRC紧随其后；生成式方法中，MvP在大多数任务和数据集上达到最优，其多视角提示和投票验证机制贡献显著。DLO和ILO是另两个表现优异的生成式模型，他们通过元素顺序优化提升了性能。值得注意的是，利用多任务学习的模型（标记为下标Multi）通常能获得额外的性能提升，证明了从简单任务向复杂任务迁移学习的有效性。整体而言，生成式方法全面超越抽取式方法，尤其在四元组任务（ASQP、ACOS）上优势更为明显，这也证明抽取式方法难以处理更复杂的任务。

表4对比了各模型使用的预训练语言模型（PLM）。抽取式模型主要使用编码器型的BERT-base（110M参数，3.3B token训练数据）和RoBERTa-base（125M参数，13.3B+ token）；生成式模型主要使用编码器-解码器型的T5-base（220M参数，156B token）和BART-base（140M参数，13.3B+ token）。T5-base在参数规模和训练数据上都具有显著优势，尤其是其156B token的训练数据中包含了监督任务数据（如情感分析SST-2、自然语言推理MNLI等），这为下游ABSA任务提供了强大的基础。这解释了为何基于T5的生成式模型能显著超越基于BERT的抽取式模型。

原文信息

Methodologies and their comparison in complex compound aspect-based sentiment analysis: A survey

Faiz Ghifari Haznitrama, Ho-Jin Choi, Chin-Wan ChungSchool of Computing, KAIST, Daejeon, South KoreaAI Open, Volume 6, Pages 53–69, 2025DOI: 10.1016/j.aiopen.2025.02.002期刊介绍

AI Open是一本致力于分享人工智能及其应用理论的英文国际期刊，期刊侧重人工智能领域可操作知识层面及具有前瞻性观点的研究。期刊主编由清华大学计算机与科学技术系唐杰教授担任。

AI Open欢迎人工智能及其应用相关领域的文章。

期刊收录的所有文章都经过严格的同行评审，并发表在月活用户超过2000万的ScienceDirect平台，供领域内的学者、及全球读者免费阅读、下载及引用。

目前，期刊已被ESCI、Ei Compendex、Scopus、DOAJ、dblp computer science bibliography、EBSCOhost等权威数据库收录。在COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS学科175种国际期刊中位列第3位（Q1区），在COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE学科204种国际期刊中位列第5位（Q1区）。

主编

• 唐杰，清华大学

• Björn W. Schuller， Imperial College London

副主编

• Wendy Hall， University of Southampton

• Michalis Vazirgiannis，Ecole Polytechnique

• Jose A. Lozano，University of the Basque Country UPV/EHU

• Esma Aïmeur，University of Montreal, Canada

• 刘知远，清华大学

• 张静，中国人民大学

• 东昱晓，清华大学

• 吴乐，合肥工业大学

• 马家祺，University of Illinois Urbana-Champaign, USA

• 何向南，中国科学技术大学

• 邱锡鹏，复旦大学