[Paper] BanglaASTE：一种用于Bangla电子商务评论中方面-情感-观点抽取的创新框架，采用集成深度学习

Source: arXiv - 2511.21381v1

概览

本文提出了 BanglaASTE，这是首个端到端框架，能够自动从孟加拉语电子商务评论中抽取 方面术语、观点表达 以及它们的 情感极性。通过发布新的标注数据集和一个集成深度学习模型，作者推动了低资源语言的基于方面的情感分析（ABSA）研究，弥补了该语言长期被研究社区忽视的空白。

主要贡献

• Bangla ASTE 数据集 – 来自 Daraz、Facebook 和 Rokomari 的 3,345 条手工标注的产品评论，每条都标记了方面‑观点‑情感三元组。
• 混合匹配流水线 – 基于图的算法，利用语义相似度将方面和观点跨度链接起来，能够处理孟加拉语社交文本中常见的非正式拼写和代码混合。
• 集成模型 – 将 BanglaBERT 上下文嵌入与 XGBoost 分类器相结合，在 vanilla transformer 或传统基线之上实现了显著提升。
• 全面评估 – 报告了 89.9 % 的准确率和 89.1 % 的 F1，优于同数据上的先前多语言 ABSA 方法。
• 开源发布 – 代码、训练好的模型和数据集均公开，以便复现和下游应用。

方法论

1. 数据收集与标注 – 从三个主要的孟加拉语电子商务平台抓取评论。经过培训的标注员为每个句子标记三类要素：
   • 方面（例如 “电池寿命”）
   • 观点（例如 “持久”）
   • 情感（正面/负面/中性）。
2. 预处理 – 正规化步骤针对孟加拉语常见的怪癖：拼写不一致、混合英文数字以及表情符号。
3. 基于图的匹配 – 将每个句子构建为二分图，节点为候选的方面跨度和观点跨度。边权通过它们的 BanglaBERT 嵌入的余弦相似度计算，最大权匹配算法选出最合理的方面‑观点配对。
4. 集成分类
   • BanglaBERT 为每个候选跨度生成上下文向量。
   • XGBoost 使用这些向量（加上手工特征，如词性标签和距离度量）预测配对的情感极性。
   • 最终的三元组列表为图匹配得到的配对与 XGBoost 预测的情感的并集。
5. 训练与评估 – 数据集的 80 % 用于训练，10 % 用于验证，10 % 用于测试。报告了标准指标（准确率、精确率、召回率、F1）在各组件以及完整三元组抽取任务上的表现。

结果与发现

• 单独的图匹配步骤就将方面‑观点配对的 F1 提升约 9 %，相较于朴素的顺序标注基线。
• 为情感分类加入 XGBoost 再提升 2 分的 F1，验证了在低资源环境下浅层树模型仍能补足深度嵌入的不足。
• 错误分析显示，剩余错误主要来源于高度模糊的观点（如 “meh”）以及未被正规化规则覆盖的极端拼写变体。

实际意义

• 电商分析 – 企业可以自动从孟加拉语评论中抽取产品层面的痛点（如 “充电慢”）和优势（如 “显示清晰”），加速产品路线图决策。
• 客服自动化 – 聊天机器人可集成该三元组抽取器，实时标记负面方面并将工单路由至对应支持团队。
• 本地化情感仪表盘 – 市场团队能够监控孟加拉语主导地区的情感趋势，无需人工标注。
• 可迁移流水线 – 图匹配 + XGBoost 的模式可适配其他同样面临拼写噪声和代码混合的低资源语言，降低对大规模标注语料的依赖。

局限性与未来工作

• 数据集规模 – 3.3 k 条评论虽为良好起点，但仍相对有限；更大、领域多样的语料库有望提升泛化能力。
• 领域局限 – 当前数据仅限于产品评论；若扩展到社交媒体或新闻评论，可能需要额外的预处理调整。
• 方面粒度 – 模型将每个方面视为平面跨度，尚未支持层级化的方面分类（如 “相机 → 分辨率”）。
• 作者提出的未来方向 包括：
  1. 半监督数据增强以缓解稀疏问题。
  2. 引入多语言预训练步骤，更好地处理代码混合的孟加拉‑英语文本。
  3. 探索图神经网络，实现端到端的方面‑观点配对。

作者

• Ariful Islam
• Md Rifat Hossen
• Abir Ahmed
• B M Taslimul Haque

论文信息

• arXiv ID: 2511.21381v1
• 分类: cs.LG, cs.CL
• 发表时间: 2025 年 11 月 26 日
• PDF: Download PDF