摘要

基于方面的情感分析（Aspect-Based Sentiment Analysis, ABSA）旨在预测特定方面的情感极性，是情感分析领域中一项细粒度的任务。以往研究表明，句法信息（如依存句法树）能够有效提升ABSA的性能。近年来，预训练模型（Pre-trained Models, PTMs）在ABSA任务中也展现出显著效果。因此，一个自然的问题随之产生：预训练模型是否已蕴含足够丰富的句法信息，使得仅依赖PTMs即可构建性能优异的ABSA模型？本文首先在多个主流ABSA模型上，对比了由预训练模型生成的诱导句法树（induced trees）与传统依存句法解析器生成的句法树，结果表明，微调后的RoBERTa（Fine-Tuned RoBERTa, FT-RoBERTa）所生成的诱导树在性能上优于解析器提供的依存树。进一步的分析实验显示，FT-RoBERTa生成的诱导树具有更强的面向情感词的结构特征，更有利于ABSA任务的执行。实验还表明，仅基于纯RoBERTa的模型在跨四种语言的六个数据集上，其性能可超越或接近此前的最先进水平（SOTA），这归因于模型在微调过程中隐式地融入了面向任务的句法信息。