该研究提出了一种新的标签方案，并采用对比学习方法来解决细粒度情感分析中的困难，表现出与现有技术相媲美或优越的性能，具有更紧凑的设计和较低的计算开销，甚至在大语言模型时代，显示出比 GPT 3.5 和 GPT 4 在少样本学习场景下更为有效的方法。此研究还为大语言模型范式中 ASTE 技术的推进提供了宝贵见解。

Mar, 2024

使用 CONTRASTE 作为一种基于对比学习的新型预训练策略，通过在解码器生成的面向方面的情感表示上应用对比学习来提高 Aspect Sentiment Triplet Extraction（ASTE）的性能，同时也展示了该技术在其他 ABSA 任务上的优势，并通过在基于编码器 - 解码器模型的基础上结合两个互补模块的新型多任务方法，即基于标记的观点术语检测器和基于回归的三元组计数估算器，进行细调以获得模型的权重，并通过详细的实验证明了我们所提出的每个组件的重要性，实现了 ASTA 的最新最佳结果。

Oct, 2023

该研究提出了一种标注自由的 Aspect Sentiment Triplet Extraction (ASTE) 方法，使用 encoder-decoder architecture 和 Pointer Network-based decoding framework 来检测观点三元组，并利用 BERT 进行领域特定的后训练，从而显著改善了在同一评论句子中检测多个和具有重叠方面 / 观点的三元组的召回率，实现了端到端的解决方案。

Oct, 2021

我们提出一种名为 PT-GCN 的新模型，将关系表格转换为图形，以便探索更全面的关系信息，并利用三通道卷积模块提取精确的情感知识，最终实验结果显示我们的模型达到了最先进的性能。

Dec, 2023

本文提出了一种新型的定位感知标注方案，旨在通过序列标注方法达到同时提取目标实体、与其相关的情感和原因的任务，实验证明了这种方法可以改善现有方法的性能。

Oct, 2020

本文提出了一种基于多标签分类的新方法 STAGE，使用跨度级别的信息和限制，对 Aspect Sentiment Triplet Extraction（ASTE）进行分析和情感分类，并在四个广泛使用的数据集上取得了最后效果。

Nov, 2022

该研究提出了一种关于 Aspect Sentiment Triplet Extraction（ASTE）的配对增强方法，通过引入对比学习，在训练阶段向三元组提取模型注入配对知识，以解决当前模型中存在的复杂语言和单个句子中存在多个方面项和意见项的问题。实验结果表明，该方法在四个 ASTE 数据集上的表现良好，并验证了对比学习相对于其他配对增强方法的优势。

Jun, 2023

本文提出了一个框架，该框架利用了基本的编码器（主要基于 BERT）和一个特殊的编码器，该编码器由 Bi-LSTM 网络和图卷积网络 (GCN) 组成，以捕获不同层次的语义信息并建模评论的依赖关系，通过融合两种编码器的语义，实现了多角度的交互，从而提高了方面 - 意见关系的全面理解， 并在基准数据集上进行了有效的实验验证。

Jun, 2023

本文提出了一种利用语义和语法关系的 Semantical and Syntactically Enhanced aspect Sentiment triplet Extraction (model S3E2)，采用图 - 序列交互建模和 GRU 进行情感分析，能够有效地在四个基准数据集上提取出情感三元组信息。

Jun, 2021

本文提出了一种基于 span-level 的双向网络框架，以更全面地从评论语句中提取三元组。但随着所有可能的跨度数量的显著增加，从中有效地提取三元组成分至关重要和具有挑战性，并且采纳 KL 散度扩展的类似跨度分离代价来促进区分正确跨度的下游任务，并采用推理策略根据其置信度分数从结果中删除冲突的三元组。

Apr, 2022