應用對抗式Reptile於家電產品網路評論之研究

摘要

對於生產家電產品的廠商來說，自家所推出的產品在社群平台上討論及喜好程度是必須要蒐集的資訊。透過網路評價所給出的回饋，能即時反應該廠牌的產品是否為大眾所接受，更可以進一步分析出產品的何項資訊是較為人所討論，在後續製造新產品的過程中，可以揚長補短，改善自家產品。本論文方法總共分為兩部分，在第一部分時，我們將人工標記好的家電資料分成三個子任務：命名實體辨識(Name Entity Recognition)、目標種類探索(Aspect Category Extraction)、情緒分類(Sentiment Classification)。在NER的任務中使用BERT-BiLSTM-CRF的模型，而ACE、SC則參考Sun等人的做法，將輸入加入輔助句子的資訊，並使用BERT為基礎的分類模型，用上述方法在三個任務中得出了這些任務的基本效能。在第二部分，在SC的任務中，嘗試針對不同的目標種類訓練任務導向的模型，目標要提升SC的基礎效能。此部分我們結合遷移式學習中，元學習的Reptile演算法及對抗式訓練(Adversarial Training)的概念組成的對抗式Reptile算法。希望能藉由元學習中少樣本學習的優勢以及對抗式訓練的架構組合出一個可以在各種分布的資料中都可以快速訓練好的模型。本研究擷取社群網站上家電相關產品的討論文章並進行人工標記，再從中對半切出訓練及測試資料集。就研究結果顯示，SC的任務中，在未加入任何遷移式學習的方法下，對於不同目標種類訓練各自的模型的Macro-F1低於基準值(60.1\% v.s. 68.6\%)。而使用了對抗式Reptile架構訓練後的模型，其Macro-F1進步至70.3\%。顯示遷移式學習有助於SC的任務提升其效能。