方面級情感分析 是什麼？
Aspect-based Sentiment Analysis：方面級情感分析 的完整解釋
分析文本對特定方面或話題的情感態度，而非整體情感，如評論中對產品外觀、性能的分別評價。
方面級情感分析（Aspect-based Sentiment Analysis, ABSA）是情感分析領域的重要分支，也是評論挖掘、用戶意見分析的核心技術。不同於粗粒度的文件級或句子級情感分類，ABSA 對現實應用的實用性遠超傳統情感分析。
核心概念
ABSA 的核心觀察是：現實文本（特別是評論）往往對不同方面表達不同的情感。一句話可能既包含正面評價也包含負面評價，簡單的「正/負/中性」標籤無法捕捉這種細緻的態度。ABSA 要求系統能：
- 方面詞抽取（Aspect Term Extraction）：識別評論中涉及的產品方面（如「螢幕」、「續航力」、「設計」）。
- 情感詞抽取（Opinion Term Extraction）：識別表達態度的詞（如「漂亮」、「卡頓」）。
- 方面級情感分類（Aspect-Level Sentiment Classification）：給定方面，預測整體情感極性（正/負/中性）。
- 方面與情感的連接（Aspect-Opinion Linking）：建立方面詞與修飾該方面的情感詞間的對應關係。
三層細度的情感分析對比
| 粒度 | 任務 | 例子 | 挑戰 |
|---|---|---|---|
| 文件級 | 判斷整個評論正負 | 「蘋果手機品質好但貴」→ ？ | 無法區分方面 |
| 句子級 | 逐句判斷情感 | 「品質好」→ 正、「但貴」→ 負 | 方面與情感無對應 |
| 方面級 | 給定方面判斷情感 | {方面：品質, 情感：正}、{方面：價格, 情感：負} | 需識別方面與情感詞 |
ABSA 顯然最接近人類的理解方式：當讀一份評論時，我們自然地提取不同方面的評價。
ABSA 的技術方法演進
早期方法（2000–2010）
基於規則與統計：
- 頻繁名詞挖掘：假設方面詞是高頻名詞（如「電池」、「相機」在手機評論中高頻出現）。
- 共現模式：提取與情感詞相鄰的詞作為方面（如「電池」常在「電池續航」中與「好」共現）。
- 詞性與依存句法：使用詞性標注和句法樹識別修飾關係。
這些方法簡單但準確度有限，且高度依賴語言與領域特性。
序列標注方法（2010–2017）
NER 的成功啟發了方面詞提取的序列標注框架：
- 用 CRF 或 BiLSTM-CRF 識別方面詞邊界。
- 方面級情感分類用 SVM、樸素貝葉斯、或簡單神經網路。
問題：方面詞提取與情感分類是獨立的兩個步驟，無法相互引導，且錯誤會級聯。
神經網路端到端方法（2017–2020）
記憶網路（Memory Networks）
Tang 等提出用記憶網路進行方面級情感分析。核心思想是：文本中的不同詞與方面的相關程度不同，應用注意機制（Attention）突出與方面最相關的詞。例如，在「電池續航很好，但會發熱」中，判斷「電池」方面時，應關注「續航」和「發熱」，而不是「很好」（它修飾「續航」而非「電池」本身）。
圖神經網路（Graph Neural Networks）
後來的方法利用依存句法樹或詞語義圖構造圖，用 GCN（圖卷積網路）或 GAT（圖注意網路）學習方面詞的圖級表示。圖結構編碼了句法依存和語義關係，有助於更準確地識別修飾關係。例如在「電池續航很好」中，GCN 能學到「好」→ 「續航」→ 「電池」的路徑，更精確地分配情感。
BERT 與 Transformer 時代（2018+）
BERT 出現後，ABSA 方法簡化為：
- 輸入「[CLS] 方面詞 [SEP] 評論文本 [SEP]」。
- 取 [CLS] token 的 BERT 隱層表示，過分類頭預測情感。
- 或用序列標注方式識別方面詞（在 BERT 的基礎上加 CRF）。
BERT 的強表示能力使大多數 ABSA 任務準確度提升 3–5%。
ABSA 的關鍵挑戰
隱含方面（Implicit Aspects）
有時方面詞在評論中不顯式出現，只有情感詞。例如「很快」在「手機很快」中隱含了「性能」方面。系統需要推斷。這要求更強的語義理解，現有模型性能往往不足 70%。
多詞方面與多詞情感
方面可能是多詞短語（「續航能力」、「散熱性能」），情感詞也可能是短語（「非常好」）。邊界提取困難，影響後續連接。
跨域泛化弱
ABSA 模型在某個域（如手機評論）訓練後，移至另一域（如餐廳評論）性能下降明顯。原因是方面詞、情感詞、表達方式都高度域特異。
情感修飾複雜性
評論中常出現複雜的修飾結構：
- 否定詞：「不錯」（正）vs. 「不差」（可能正或中性）。
- 比較與對比：「比 X 好」、「既...又...」。
- 強度修飾：「非常好」vs. 「有點好」。
這些都增加情感分類難度。
聯合模型與多任務學習
現代 ABSA 傾向於聯合模型，同時優化方面詞提取、情感詞提取、情感分類等多個子任務。多任務學習的優勢：
- 任務間相互引導（識別方面詞的信號有助於情感分類）。
- 數據利用更高效。
- 泛化性更好。
應用場景
- 產品評論分析：電商平台（Amazon、淘寶）分析用戶對產品各方面的評價，幫助廠商改進。
- 品牌口碑監測：企業監控網際網路上對自身品牌各方面的輿論。
- 客戶反饋聚合：將散亂的用戶意見聚合為結構化的「方面 → 問題 → 頻率」報表。
- 競品分析：對比不同品牌在同一方面的用戶評價。
- 問題挖掘：識別用戶反覆抱怨的方面（如「電池續航」、「系統穩定性」），優先改進。
常見評估基準
- SemEval ABSA 任務系列（2014–2020）：包括餐廳評論、筆記本評論、服裝評論等多個數據集。
- MAMS（Multi-Aspect Multi-Sentiment）：包含更複雜的多方面情感。
- Twitter ABSA：社群媒體評論，更非正式。