摘要
数据增强是解决低资源场景下数据稀缺问题的有效方案.然而,当应用于诸如方面术语提取(ATE)之类的词级别任务时,数据增强方法通常会遭受词标签不对齐的问题,从而导致效果不理想.对此提出了掩码方面语言建模(MALM)作为ATE 的新型数据增强框架.为了缓解标记、标签错位问题,将ATE标签显式注入到句子上下文中,由此经过微调的MALM能够显式地调整标签信息来预测掩码的方面标记.因此,MALM可帮助生成具有新方面的高质量增强数据,提供丰富的层面方面知识.此外,提出了一个两阶段的训练策略来整合这些合成数据.通过实验,证明了MALM在两个ATE 数据集上的有效性,相比基线方法,所提出的MALM有显著的性能改进.
维普
万方数据