基于方面的情感分析

任务是对包含多个方面的潜在长文本进行情感分类。核心思想是构建一个现代化的自然语言处理工具包，支持对模型预测结果的解释。近似的决策解释有助于推断预测结果的可靠性。该工具包是独立、可扩展的，并可根据需求自由扩展。我们在文章中总结了相关思考：

你信任基于方面的情感分析吗？测试和解释模型行为

GitHub 上有超过 100 个与情感分析相关的仓库 ^{1 2 3 4 5 6 7 8 9} 。 这些项目大多难以商业化，且多为开源研究项目，复用性有限。我们致力于将这些优秀的研究成果加以整理和优化。如果你喜欢这个项目，请为它点亮星标，这对我们保持项目的持续发展至关重要。

快速入门

目标是针对给定的方面对文本的情感进行分类。为了使服务更具实用性，我们做出了一些假设：待处理的文本可以是整篇文档；方面可能由多个词组成，从而定义得更加精确；最重要的是，服务应提供对每项决策的近似解释，以便用户能够立即判断预测结果的可靠性。

import aspect_based_sentiment_analysis as absa

nlp = absa.load()
text = ("我们是 Slack 的忠实粉丝，但希望订阅方案能更易于小型初创企业接受。")

slack, price = nlp(text, aspects=['slack', 'price'])
assert price.sentiment == absa.Sentiment.negative
assert slack.sentiment == absa.Sentiment.positive

以上示例展示了如何快速开始使用我们的开源工具包。你只需调用 load 函数即可设置好即用的流水线 nlp。你可以显式指定要使用的模型名称（可用模型列表见下文），或提供自定义模型的路径。尽管微调模型使用起来很简单，但我们仍鼓励你根据自身数据构建定制化模型，这样预测结果会更加准确和稳定。

流水线：确保流程顺畅

流水线提供了一个易于使用的接口来生成预测结果。即使模型非常精准，如果输入准备和输出解读不明确，也毫无意义。为了解决这一问题，我们引入了与模型紧密关联的流水线。了解整个流程的工作方式尤为重要，尤其是当你计划构建自定义模型时。

上图展示了流水线各阶段的概览。通常，在最开始阶段会对输入进行预处理。我们将文本和方面转换为一个 task 对象，其中包含文本与方面的配对样本，随后这些样本会被进一步分词、编码并传递给模型。模型完成预测后，流程会发生变化：我们没有直接对模型输出进行后处理，而是增加了一个审查环节，由一个名为 professor 的独立组件负责监督并解释模型的预测结果。如果模型内部状态或输出显得可疑，professor 可以否决该预测。在此处的文章中，我们详细讨论了模型和 professor 的工作原理。

import aspect_based_sentiment_analysis as absa

name = 'absa/classifier-rest-0.2'
model = absa.BertABSClassifier.from_pretrained(name)
tokenizer = absa.BertTokenizer.from_pretrained(name)
professor = absa.Professor(...)     # 后续会详细说明。
text_splitter = absa.sentencizer()  # 使用 SpaCy 的英文 CNN 模型。
nlp = absa.Pipeline(model, tokenizer, professor, text_splitter)

# 分解流水线的 `call` 方法。
task = nlp.preprocess(text=..., aspects=...)
tokenized_examples = nlp.tokenize(task.examples)
input_batch = nlp.encode(tokenized_examples)
output_batch = nlp.predict(input_batch)
predictions = nlp.review(tokenized_examples, output_batch)
completed_task = nlp.postprocess(task, predictions)

以上示例展示了如何直接初始化流水线，并通过代码逐步解析流水线调用背后的具体流程。我们省略了许多不重要的细节，但有一点值得强调：长文本的情感往往较为模糊且偏向中性。因此，你可能需要将文本拆分为较小的独立片段，有时称为“跨度”。这些跨度可以是一个句子，也可以是几个句子，具体取决于 text_splitter 的工作方式。在此例中，我们使用 SpaCy 的 CNN 模型，它会将文档按句子分割，从而使每个句子都能被独立处理。需要注意的是，较长的跨度通常包含更丰富的上下文信息，因此模型在作出预测时会有更多参考依据。请参阅流水线的详细实现这里。

监督模型预测

现在是时候解释模型的推理过程了，而这是一件极其困难的事情。 关键概念是将解释模型决策的问题视为一个独立的任务，在这个任务中， 一个辅助模型——模式识别器——会根据模型的输入、输出和内部状态来预测模式（如下文所示的标记加权组合）。 由于时间限制，我们最初并不打算研究和构建一个可训练的模式识别器。 相反，我们决定从基于观察和先验知识的模式识别器入手。 该模型，即基于方面的情感分类器，基于Transformer架构，其中自注意力层占据了最多的参数。 因此，人们可能会得出结论：理解自注意力层可以很好地反映对整个模型的理解。 相应地，有许多文章以简单易懂的方式，直接利用注意力值（自注意力层的内部状态）来解释模型的决策。 受这些文章的启发，我们也分析了注意力值（处理训练示例时的注意力值），以寻找任何有意义的见解。 这项探索性研究促使我们创建了BasicPatternRecognizer（详细信息请参见这里）。

import aspect_based_sentiment_analysis as absa

recognizer = absa.aux_models.BasicPatternRecognizer()
nlp = absa.load(pattern_recognizer=recognizer)
completed_task = nlp(text=..., aspects=['slack', 'price'])
slack, price = completed_task.examples

absa.summary(slack)
absa.display(slack.review)

absa.summary(price)
absa.display(price.review)

这些解释只有在正确的情况下才有用。 为了构建基本的模式识别器，我们做了一些假设（先验信念）， 因此我们在解读这些解释时应谨慎，不要过于字面化。 即使注意力值具有一些引人深思的特性，例如它们能够编码丰富的语言关系， 目前也尚未有确凿的因果链证明这一点。 有许多文章指出了各种担忧，说明直接从注意力值推断模型的推理过程可能会产生误导。 在这篇文章中，我们对这些解释进行了详细的验证和分析。

即用型模型

下表展示了我们在SemEval 2014评测数据集上的最先进结果 （数据集详情请见这里）。 目前有两个可用的模型，分别适用于餐厅和笔记本电脑领域。 模型的具体实现细节请参见这里。 超参数优化（以及如何训练模型的说明）请参见这里。 您可以轻松复现我们的评估结果，并查看性能测试这里。

模型名称	餐厅准确率	笔记本准确率	发布日期
LCF-ATEPC [代码][论文]	90.18	82.29	2020年1月
BERT-ADA [代码][论文]	87.89	80.23	2019年11月
BAT [代码][论文]	86.03	79.35	2020年2月
classifier-rest-0.2	85.17
classifier-lapt-0.2		79.78

安装

您可以使用pip进行安装：

pip install aspect-based-sentiment-analysis

或者，您也可以克隆代码并使用conda创建一个新的环境：

git clone git@github.com:ScalaConsultants/Aspect-Based-Sentiment-Analysis.git
conda env create -f=environment.yml
conda activate Aspect-Based-Sentiment-Analysis

该软件包支持Python 3.7版本（与Colab 2021版本相同）。

参考文献

如何在基于方面的情感分析中使用语言模型：

• 通过构建辅助句子利用 BERT 进行基于方面的情感分析（NAACL 2019） [代码][论文]
• 针对评论阅读理解和基于方面的情感分析的 BERT 后训练（NAACL 2019） [代码][论文]
• 利用 BERT 实现端到端的基于方面的情感分析 [代码][论文]

BERT 可解释性简介：

• 十六个注意力头真的比一个更好吗？ [代码][论文]
• BERT 学入门：我们所知道的 BERT 工作原理 [论文]
• BERT 关注的是什么？对 BERT 注意力机制的分析 [代码][论文]
• 可视化与测量 BERT 的几何结构 [代码][论文]
• BERT 真的稳健吗？针对文本分类和蕴含任务的自然语言攻击的强大基线 [论文]
• 基于 BERT 的对抗训练用于基于方面的情感分析 [论文]
• Adv-BERT：BERT 对拼写错误并不鲁棒！在 BERT 上生成自然对抗样本 [论文]
• exBERT：一种用于探索 Transformer 模型中学习表示的可视化分析工具 [代码][论文]
• BERT 是否有意义？利用上下文嵌入进行可解释的词义消歧 [代码][论文]
• 注意力并非解释 [代码][论文]
• 注意力并不是非解释 [代码][论文][博客文章]
• 针对神经网络预测的层次化解释 [代码][论文]
• 神经 NLP 中的分析方法 [代码][论文]
• 具有注意力机制的序列神经网络可视化 [代码]
• NeuroX：用于发现和分析神经网络中重要神经元的工具包 [代码][论文]

当前最先进成果：

• 面向中文的多任务学习模型，用于方面极性分类和方面术语抽取 [代码][论文]
• 适应或落后：通过 BERT 语言模型微调实现领域自适应，用于方面—目标情感分类 [代码][论文]
• 基于 BERT 的对抗训练用于基于方面的情感分析 [代码][论文]

其他有趣内容：

• 从评论中提取评分的多维解释 [论文]
• 从 Transformer 编码器的自注意力中提取句法树 [论文]
• 硕士论文：利用 Google Transformer 架构进行迁移学习和多任务学习，用于基于方面的情感分析 [代码]
• 为 Jupyter 笔记本创建交互式文本热图 [代码]
• DeepMoji 模型的 PyTorch 实现：用于分析情感、情绪、讽刺等的最先进深度学习模型 [代码]
• 更多内容请参见 这里。

由 Scalac 开发

Aspect-Based-Sentiment-Analysis 快速上手指南

本指南帮助开发者快速部署和使用基于方面的细粒度情感分析（ABSA）工具。该工具不仅能识别文本中特定方面的情感倾向，还能提供模型预测的可解释性说明。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.7（与 Colab 2021 环境一致）
• 前置依赖：
  • pip 包管理工具
  • （可选）conda：如果您希望使用隔离的虚拟环境进行安装

国内加速建议： 如果直接连接 PyPI 源速度较慢，建议使用国内镜像源（如清华源或阿里源）进行安装。

安装步骤

您可以选择以下任一方式进行安装：

方式一：使用 pip 安装（推荐）

直接使用 pip 安装最新稳定版。若需加速，可指定国内镜像源：

pip install aspect-based-sentiment-analysis -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：源码安装（使用 Conda 环境）

如果您需要自定义开发或复现论文实验，建议克隆源码并创建专用环境：

# 1. 克隆代码仓库
git clone git@github.com:ScalaConsultants/Aspect-Based-Sentiment-Analysis.git

# 2. 进入目录并创建 conda 环境
cd Aspect-Based-Sentiment-Analysis
conda env create -f=environment.yml

# 3. 激活环境
conda activate Aspect-Based-Sentiment-Analysis

基本使用

该工具的核心功能是输入一段文本和关注的“方面”（Aspects），输出对应的情感倾向及可靠性解释。

最简单示例

以下代码展示了如何加载预训练模型并对包含多个方面的句子进行情感分类：

import aspect_based_sentiment_analysis as absa

# 加载默认流水线（自动下载预训练模型）
nlp = absa.load()

# 定义待分析文本
text = ("We are great fans of Slack, but we wish the subscriptions "
        "were more accessible to small startups.")

# 指定需要分析的方面：'slack' (产品) 和 'price' (价格/订阅费用)
slack, price = nlp(text, aspects=['slack', 'price'])

# 验证结果
assert price.sentiment == absa.Sentiment.negative  # 对价格感到不满
assert slack.sentiment == absa.Sentiment.positive  # 对产品本身表示喜爱

# 查看详细解释（可选）
# absa.display(slack.review) 
# absa.display(price.review)

使用说明

1. 加载模型：调用 absa.load() 即可初始化包含分词器、模型和解释器（Professor）的完整流水线。
2. 执行分析：传入 text（字符串）和 aspects（方面关键词列表）。方面词可以是单个单词或多个单词组成的短语。
3. 获取结果：返回对象包含 sentiment 属性（Positive/Negative/Neutral）以及 review 属性（用于分析预测可靠性的解释数据）。

提示：对于长文档，内置的流水线会自动利用 SpaCy 将文本分割为句子独立处理，以提高准确性。如需自定义模型或调整分句策略，可参考官方文档中的 Pipeline 高级用法。