近日，厦门大学吴清强教授课题组的最新研究成果"Retrieval Contrastive Learning for Aspect-level Sentiment Classification"被国际计算机学术期刊Information Processing and Management（中国科学院1区、JCR Q1、CCF-B）录用。
图1. RCL 概览
情感计算(Affective Computation)是人工智能领域重要的研究内容之一，细粒度属性级情感分析(ALSC)是情感计算研究的基石。目前，ALSC深度学习方法大都关注于单个句子进行属性相关的语义建模，忽略了具有相同属性的句子之间内在语义相关性，导致学习到的句子语义是不完善或者次优的，限制了ALSC模型的性能。针对这个问题，本文提出一种基于检索的对比学习训练方法(RCL)，能够使得训练后的模型建模出更加鲁棒的句子情感语义表示。如图1所示，RCL支持大部分ALSC模型，以提高原有模型的性能。具体来说，在训练过程中，RCL以现有的ALSC模型为编码器生成输入句子语义表示，使用ElasticSearch进行相似句子的快速检索，采用Memory Bank存储和提取检索样本表示，以避免额外的计算代价。然后，采用对比学习技术学习出输入句子和相似句子之间的共同特征，以实现句子情感语义表示的精炼。我们在三个广泛使用的ALSC数据集上验证了RCL训练方法的有效性。
该项工作由我中心2021级博士生简忠权，2022级硕士生李嘉键，吴清强教授，姚俊峰教授合作完成。该项工作得到了国家自然科学基金（62072388）的资助。
