PaddleNLP开源基于UIE的情感分析，解决小样本难题，助力客户意见洞察与舆情分析！

news2024/11/17 15:36:02

情感分析（Sentiment Analysis）是近年来国内外研究的热点，旨在对带有情感色彩的主观性文本进行分析、处理、归纳和推理。情感分析具有广泛的应用场景，可被应用于消费决策、舆情分析、个性化推荐等领域。
情感分析任务示意

如上图所示，情感分析涉及句子级情感极性分类、属性抽取、观点抽取、属性级情感极性分类等多项情感任务。近期，PaddleNLP基于通用信息抽取技术UIE开源的情感分析能力覆盖以上基础功能，且解决了属性聚合和隐性观点抽取难题，并提供情感分析结果可视化能力，帮助用户快速分析业务数据。此外，基于UIE的技术方案小样本能力强悍，仅需标注几条数据即可获得大幅效果提升。

项目地址
https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/sentiment_analysis/unified_sentiment_extraction

多位开发者已使用这部分能力。例如，某车企研发了汽车领域客户意见洞察和舆情分析系统。UIE方案相对于其之前采取的双向循环神经网络+序列标注思路，通过更少的数据量、更低的机器成本，获取了更精准的效果。
黑蚁资本评论洞察系统部分功能

专注于消费领域的投资机构黑蚁资本，通过产业经验和产业资源支持所投资的企业。其基于PaddleNLP情感分析技术研发了评论洞察系统——哈勃舆情，供美妆、配饰、保健食品、酒水饮料、服装、数码电器等多个领域、多家线上电商品牌以及线下餐饮品牌使用。其通过细颗粒度的评论分析模型，帮助品牌高效深入地了解用户，从反馈中自动抽取出高价值信息，实现量化统计分析，持续优化产品和服务。

本文将详解情感分析任务难点以及基于UIE的情感分析技术方案和使用方式。全文2400字，预计需要2分钟。

情感分析任务三大挑战

挑战一：在情感分析任务中，某一应用场景可能会涉及多项相关子任务。传统做法往往会针对每个子任务单独训练相应模型，最终将多个模型预测结果进行合并，从而获得最终结果，该流程耗时耗力。

挑战二：不同领域、不同场景下的数据差异较大，导致针对某一应用场景训练的模型无法有效迁移到其他应用场景，往往需要使用大量数据重新训练。

挑战三：文本评论中往往会出现多个属性和观点词，有些属性可能会有多种说法，有些观点词甚至没有明确提到对应的属性，需要将不同的属性和观点词信息正确识别并匹配。

基于UIE的情感分析技术方案

传统技术方案通常是对多个任务分阶段进行。例如，针对“蛋糕外观很漂亮”进行属性级情感分析任务，目标是抽取<属性，观点词，情感极性>三元组，即<外观，漂亮，积极>三元组。传统方案下，第一阶段需要通过序列标注思路、抽取属性和观点词。第二阶段通过文本分类思路，实现属性级情感分析。在每一阶段需要单独训练一个模型，最终将每个阶段的模型预测结果进行合并获得最终结果，模型的开发、训练、部署成本都很高。此外，各个任务、各个模型单独训练，使得模型无法在不同任务或场景中获得较好的迁移能力。
传统方案 vs UIE统一建模方案
UIE采用统一的Prompt形式建模，实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，使得模型可以使用大量的精标注数据进行多任务训练，融合不同任务的底层知识，从而在各类场景上都获得了惊艳的零样本及少样本迁移能力。同时，由于UIE支持多种类型的任务，因此也不再需要针对每个任务单独训练模型。

实验1

PaddleNLP情感分析方案以UIE为训练底座，在大量情感分析数据集上进一步训练，增强了模型对于情感知识的处理能力。下表展示了通用UIE模型uie-base和情感知识增强的UIE模型uie-senta-base在属性级情感分析任务上的效果对比。在情感分析任务上，更推荐使用uie-senta-base。
在这里插入图片描述

实验2

为了满足精度-性能兼顾的需求，PaddleNLP开源出了多种规模的模型，供大家选择。以下为各个模型在1w条属性、观点抽取数据集上的效果对比。
在这里插入图片描述
实验3

与PaddleNLP中早期开源的基于SKEP的两阶段式情感分析方案对比，在2w条属性级情感分析数据集上进行测试，基于UIE的方案显著优于两阶段式方案，这得益于UIE模型对于多任务数据的充分利用。
在这里插入图片描述
在小样本情况下，UIE的优势更加突出。在家电、服装、餐饮评论数据集上测试，仅标注5条样本，F1值平均可提升10个点。而传统预训练模型-微调范式下，5条样本是远远不足以支撑训练的。

功能介绍

覆盖句子级、属性级丰富功能，支持分析结果可视化
覆盖语句级情感分析、属性级情感分析、属性与观点抽取等基础能力。并提供可视化分析能力，打通从输入数据到情感分析结果可视化流程，助力用户更加快速获取情感分析结果，聚焦于业务分析。

解决同义属性聚合、隐性观点词抽取难题

支持用户结合业务深度定制，进一步定制情感分析能力，加强模型属性聚合和隐性观点抽取能力。如下图所示，在针对属性"价格"的情感信息抽取中。

**同义属性聚合：**无论语料中出现的属性是"价格"还是"价钱"，都可以把对应的情感信息正确抽取出来，达到属性聚合的目的；

**隐性观点词抽取：**即便语料中缺失了"价格"相关的属性词，只有对应的观点词，也可以将对应的情感信息抽取出来，从而实现隐性观点抽取。
在这里插入图片描述

支持开箱即用、二次开发

开箱即用：打通Taskflow使用流程，几行代码获取分析结果，并进行直观可视化

使用paddenlp.Taskflow几行代码即可使用情感信息抽取能力。

from paddlenlp import Taskflow
# Aspect Term Extraction
schema =  ["评价维度"]
# Aspect - Opinion Extraction
schema =  [{"评价维度":["观点词"]}]
# Aspect - Sentiment Extraction
schema =  [{"评价维度":["情感倾向[正向,负向,未提及]"]}]
# Aspect - Sentiment - Opinion Extraction
schema =  [{"评价维度":["观点词", "情感倾向[正向,负向,未提及]"]}]
senta = Taskflow("sentiment_analysis", model="uie-senta-base", schema=schema)
senta('蛋糕味道不错，店家服务也很热情')

定制模型：打通Label Studio标注—微调训练—部署—结果可视化全流程

考虑到用户进行情感分析时，往往聚焦于某个特定场景或领域。为满足用户更高的情感分析精度要求，PaddleNLP打通Label Studio数据标注平台，提供了情感数据标注、模型微调、部署和可视化的全流程解决方案示例，轻松上手定制流程。
在这里插入图片描述
前往官网，了解详细使用方法
https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/sentiment_analysis/unified_sentiment_extraction