每天给你送来NLP技术干货！
来自：美团技术团队
经典的细粒度情感分析（ABSA，Aspect-basedSentimentAnalysis）主要包含三个子任务，分别为属性抽取、观点抽取以及属性-观点对的情感倾向判定三个级联任务。
本文介绍了美团到店到餐应用算法团队通过结合学界最先进的阅读理解、注意力机制等方面的实体抽取、情感分析经验，解决到餐（菜品，属性，观点，情感）四元组抽取问题，并在多个业务场景应用落地，希望能对从事相关工作的同学有所帮助或启发。一、背景
二、目标回顾
2.1业务问题
2.2技术调研
2.3技术目标
2.4主要挑战
三、细粒度情感分析实践
3.1Pipeline方法
3.2联合学习
四、在到餐业务中的应用
4.1模型效果对比
4.2业务应用场景
五、未来展望
一、背景作为一家生活服务在线电子商务平台，美团致力于通过科技链接消费者和商户，努力为消费者提供品质生活。到店餐饮（简称到餐）作为美团的核心业务之一，是满足用户堂食消费需求、赋能餐饮商户在线运营的重要平台，在服务百万级别的餐饮商户和亿级别C端用户的过程中，积累了海量的用户评论信息（UserGeneratedContent,UGC），包含了用户到店消费体验之后的真情实感，如果能够有效提取其中的关键的情感极性、观点表达，不仅可以辅助更多用户做出消费决策，同时也可以帮助商户收集经营状况的用户反馈信息。近年来，大规模预训练模型（BERT）、提示学习（Prompt）等NLP技术飞速发展。文本分类、序列标注、文本生成各类自然语言处理任务的应用效果得到显著提升，情感分析便是其中最常见的应用形式之一。它的任务目标在于通过NLP技术手段对输入文本进行分析、处理、归纳、推理，给出文本情感极性判定的结果。按照情感极性判定粒度，可以细分为篇章/整句粒度情感分析、细粒度情感分析（ABSA,Aspect-basedSentimentAnalysis）[1]。一般而言，细粒度情感分析的任务目标主要围绕属性（AspectTerm）、观点（OpinionTerm）、情感（SentimentPolarity）三要素展开，可以拆分为属性抽取、观点抽取以及属性-观点对的情感倾向判定三个级联任务[2-5]。例如，对于给定的用户评论“这家店环境不错，但服务很糟糕”，预期的输出结果为（环境，不错，正向）、（服务，糟糕，负向）。图1ABSA子任务[5]到餐算法团队结合到餐业务供给侧、平台侧、需求侧的业务场景，为核心业务链路的智能化提供高效、优质的算法解决方案，通过算法能力辅助业务降本提效。本文结合到餐B/C端业务场景，探索细粒度情感分析技术在用户评价挖掘方向的应用实践。二、目标回顾2.1业务问题秉承“帮大家吃得更好，生活更好”的使命，到餐面向消费者提供包括套餐、代金券、买单、预订等在内的丰富产品和服务，并通过黑珍珠餐厅指南、大众点评必吃榜等榜单，以及搜索、查询、评价等，帮助消费者更好地作出消费决策。同时，为商家提供一站式的营销服务，帮助餐饮商户沉淀口碑、获取用户、增加复购等，进而轻松管理餐厅。随着餐饮连锁化加速、行业竞争格局激烈，商户管理宽幅和难度逐步加大，商户的经营要求更加精细，数据管理意识更加迫切。用户历史评论中蕴含着大量用户消费后的反馈，是情感分析的重要组成部分，不仅能够描述消费感受，同时也能反映出就餐环境的好坏。因此，做好情感分析有利于帮助餐饮门店提升服务质量，也能够更好地促进消费体验。图2评论示例：(a)菜品评价，(b)服务评价，(c)食安评价UGC评价分析，主要是从评论文本中挖掘出菜品、服务、食品安全（简称食安）等方面相关信息，获取用户在各个维度的细粒度情感，细致刻画商家的服务现状，如上图2所示。对于餐饮商户，菜品、服务、食安评价分析问题可以拆解如下：菜品评价，主要包括用户评论中的菜品识别、评价属性提取、菜品观点提取、观点情感分类；服务评价，主要包括用户评论中评价属性提取、服务方面观点提取、观点情感分类；食安评价，主要包括用户评论中评价属性提取、食安方面观点提取、观点情感分类。其中问题2和3是典型的三元组抽取任务，即识别服务或食安方面的（属性，观点，情感）。对于问题1，在服务、食安评价问题的基础上，菜品评价需要识别评论中提及的菜品，相比业界四元组（属性，观点，属性类别，情感）[6]抽取任务，到餐场景下主要为(菜品，属性，观点，情感）四元组的识别。2.2技术调研在美团内部，我们针对UGC评价分析问题，调研了相关工作成果，主要为基于MT-BERT预训练模型开发了多任务模型，试图解决情感分析中的ACSA（Aspect-CategorySetimentAnalysis）问题以及（属性，观点，情感）三元组抽取问题，并实现了句子粒度的情感分类工具开发，同时开源了基于真实场景的中文属性级情感分析数据集ASAP[7-9]。但对于美团到餐业务来说，我们需要基于具体场景提出针对性的解决方案，如四元组抽取任务，不能直接复用其他团队的相关技术和工具，因此有必要建设服务于到餐业务场景的细粒度情感分析技术。在业界，我们也调研了行业其他团队如腾讯、阿里在细粒度情感分析方面的相关研究。年腾讯AILab和阿里达摩院合作[3]，提出了基于两个堆叠的LSTM和三个组件（边界引导、情感一致性和意见增强）的模型，将“BIOES”标注体系与情感正向（Positive）、中性（Neutral）、负向（Negative）结合形成统一标签，可以同时识别属性和情感。同年，阿里达摩院提出了BERT+E2E-ABSA模型结构，进一步解决属性和情感的联合抽取问题[10]，同时提出（属性，观点，情感）[2]三元组抽取任务，并给出了两阶段解决框架，首先分别识别出属性（情感融合为统一标签）和观点，然后判断属性-观点是否配对。自此，业界后续研究开始向三元组联合抽取展开[11-14]。年2月，华为云[6]提出（属性，观点，属性类别，情感）四元组抽取多任务模型，其中一个任务识别属性和观点，另一个任务识别属性类别和情感。年4月，腾讯[15]引入Aspect-Sentiment-OpinionTripletExtraction（ASOTE）任务，提出了一个位置感知的BERT三阶段模型，解决了（属性，观点，情感）三元组抽取问题。从学术界来看，更