论文题目（Title）：A Span-level Bidirectional Network for Aspect Sentiment Triplet Extraction
研究问题（Question）：方面情感三元组提取(ASTE)是一种新的细粒度情感分析任务，旨在从评论句中提取方面术语、情感术语和观点术语三元组。
研究动机（Motivation）：由于所有可能跨度显著增加了潜在方面和观点候选的数量，因此如何有效地提取其中的三元组元素是至关重要和具有挑战性的。
主要贡献（Contribution）：
1.我们设计了一个跨级双向网络，在跨级模型中分别从方面到观点和观点到方面两个方向提取三元组。
2.我们提出了类似的span分离损失来分离包含共享标记的span的表示。基于这些差异化的跨度表示，下游模型可以更精确地区分跨度表示。
3.我们设计了一种推理策略来消除由于跨度之间缺乏互斥性而可能产生冲突的三元组。
研究思路（Idea）：提出了一种跨级双向网络，利用所有可能的跨距作为输入，从跨距中双向提取三元组。具体来说，我们设计了方面解码器和意见解码器来解码跨度表示，并从方面到意见和意见到方面的方向中提取三元组。通过这两种解码器的相互补充，整个网络可以更全面地从跨度中提取三元组。此外，考虑到跨度之间不能保证互斥，我们设计了相似跨度分离损失，以便在训练过程中通过扩大相似跨度的KL散度来方便下游任务区分正确的跨度;在推理过程中，我们采用一种推理策略，根据可信度分数从结果中去除冲突的三元组。
研究方法（Method）：
研究过程（Process）：
1.数据集（Dataset）
2.评估指标（Evaluation）
Precision (%), Recall (%) and F1 score (%)
3.实验结果（Result）
总结（Conclusion）：我们提出了一个跨级双向网络的ASTE任务。这种跨级模型在从方面到意见和从意见到方面的方向上都有优势。双向解码可以保证AT或OT都可以触发一个方面情感三元组，更符合人类的感知。针对跨间互斥性不能保证的缺点，采用相似跨分离损失来指导模型判别相似跨。我们进一步设计了一种推理策略，以消除特定于跨度级模型的冲突三元组结果。实验结果表明，我们的网络显著优于比较基线，并达到了最先进的性能。
