본 세미나는 "Aspect-Based Sentiment Analysis"를 주제로 진행되었습니다. ABSA는 감성분석을 보다 디테일하게 수행하는 것으로 이해할 수 있습니다. 즉, aspect을 찾아내고, 해당 aspect과 매핑된 단어를 통해 어떠한 감정을 가지는지 분석하는 과업입니다. 이를 위해 MRC BERT Encoder를 사용하게 되는데, 특이한 점은 입력이 마치 prompt 형태로 주어진다는 점입니다. 또한, BERT를 두개 사용하여 Seq2Seq 구조를 가집니다. Left MRC는 aspect를 추출하고, Right MRC는 추출된 aspect에 대한 polarity와 opinion을 추출합니다. 본 방법론은 성능 향상의 contribution 보단, 실제 산업에서 필요한 정보를 제공할 수 있다는 점에서 novelty를 가지는 것 같습니다. 두번째 논문은 요인을 문장에서 직접 추출하는 것이 아닌, T5를 활용한 문장 생성을 통해 요인을 유추하는 독특한 방법론을 제안합니다. 다만, 문장을 생성하는 과정에서 trial and error 방식을 사용한 점에 있어 훨씬 다양한 vocab을 가지는 실제 산업 데이터 셋에 적용시 좋은 성능을 달성할 수 있을지 의문이었습니다. 두 논문 모두 독창성있고 신선한 접근을 한 것 같습니다. ABSA는 감성분석에 있어 매우 중요한 연구라 여기지지만, 연구가 업데이트 되고 있지 않다는 점이 아쉬웠습니다. ABSA에 LLM을 적용한다면 어떠한 효과가 있을지 개인적으로 궁금하기도 했습니다. 재미있는 주제를 자세하고 친절하게 설명해주셔서 잘 이해할 수 있었습니다. 좋은 발표 감사합니다.

이번 세미나는 Aspect-Based Sentiment Analysis를 주제로 진행되었습니다. 해당 세미나를 통해 속성 기반 감성분석 내 여러 하위 과업들이 존재함을 확인하고, 속성 기반 감성분석의 네가지 요소들(무엇(aspect terms, category)을, 어떻게(sentiment polarity), 왜(opinion) 그렇게 생각하는지)에 대해 이해하고자 하였습니다. 또한 aspect sentiment triplet extraction 과업을 이해하고자 하였습니다. 제안하고 있는 방법론에서는 triple extraction을 위해 joint training을 수행하고 있는데, 이때 목표는 어떤 문장이 주어졌을 때, 출력값의 likelihood를 최대화하는 것입니다. 또한 제안하고 있는 구조는 Dual-MRC Framework를 포함하고 있는데, 동일한 BERT 모델을 이용하여 aspect term 또는 opinion term을 추출하는 과업을 진행합니다. 추론시에는 left-MRC의 결과에 해당하는 aspect terms와 right-MRC의 결과에 해당하는 opinion terms의 모든 조합을 고려하게 됩니다. 이러한 방식을 이용하면 하나의 모델로 여러가지 ABSA의 하위 과업들을 수행할 수 있다는 장점이 있습니다. Towards Generative Aspect-Based Sentiment Analysis 논문에서는 ABSA 내 여러 과업을 생성(generative) 문제로 접근하고자 하고 있으며, T5 구조를 이용하여 생성방식으로 접근하고 있습니다. 이때, 정제를 하는 과정으로는 prediction normalization을 이용하고 있습니다. 좀더 구체적으로 접근하자면 (aspect, opinion), (aspect, sentiment) 등 원하는 조합의 요소를 추출할 수 있는 통합 pipeline을 제안하고 있습니다. 다소 생소한 과업이었는데, 전반적인 흐름을 잘 다루어 주셔서 전반적인 흐름을 이해하는데 많은 도움이 되었습니다. 또한 본 발표에서 다루었던 내용들을 어떻게 적용할지 고민한 부분이 인상적이었습니다. 좋은 발표 감사합니다!

이번 세미나에서는 Aspect-Based Sentiment Analysis라는 Task와 관련된 방법론들을 소개해주셨습니다. NSMC 데이터셋과 같이 자연어 처리를 처음 접할 때 감성 분석 Task를 흔히 접하게 됩니다. NSMC 데이터셋과 같은 대다수가 아는 감성 분석은 단순히 특정 문장이 긍정적인지 부정적인지 혹은 중립인지를 분류하는 Task입니다. 그러나 발표자 분께서 소개해주신 Aspect-based Sentiment Analysis는 단순히 Sentence-level이 아니라 조금 더 fine-grained 레벨로 내려가서 어떤 Aspect에 대한 Sentiment를 도출하는 것을 목적으로 합니다. 첫번째로 소개해주신 연구인 “A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis”에서는 Encoder-only 모델인 BERT를 이용해서 리뷰로부터 Aspect Term과 감성, Opinion Term을 추출하는 방식을 취했습니다. 두번째로 소개해주신 연구인 “Towards Generative Aspect-Based Sentiment Analysis”에서는 기존 연구들이 BERT와 같은 NLU 모델만을 이용했기에 생성(Generation) 문제로 Aspect Based Sentiment Analysis Task를 푸는 방법론을 제안했습니다. 실제 모델 학습 시에는 분류 문제로 풀게 될 경우, 각 단어의 Semantic이 반영되지 않은 단순 인덱스로 표현된다는 원론적인 한계가 존재했습니다. 해당 연구에서는 T5를 이용해 간단하지만 효과적인 방법을 제안했습니다. 기업 측에서는 리뷰 데이터들을 기반으로 새로운 가치를 창출하고 싶어하는만큼 해당 Task에 대한 이번 세미나도 흥미롭게 들을 수 있었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 "Aspect-Based Sentiment Analysis"라는 task를 다루어주셨습니다. ABSA는 감정 분류 task라고 볼 수 있는데, 문장 단위가 아니라 aspect 단위로 감정을 분류하는 task입니다. 첫 번째 소개해주신 논문에서는 Dual-MRC framework를 활용했는데, aspect term과 opinion term을 추출하여 joint training을 실시하는 구조를 가지고 있었습니다. 이런 triplet loss 구조는 한 2~3년전에 활발히 활용이 된 것 같은데 요즘에는 이런 구조를 잘 활용하지 않는 것 같습니다. 그 이유는 loss 구조의 복잡성 대비 큰 효과를 보기 어렵기 때문이라고 생각되는데 논문에서 말한 것 처럼 목적에 따라 loss를 조정하는 과정이 쉽지는 않을 것 같다고 생각하였습니다. 두 번째 논문에서는 생성 방식 관점에서 접근하였는데, T5 모델을 활용하여 해당 문장에 대해 사람이 파악하는 것 처럼 단어간 의미나 연관성을 파악할 수 있도록 하였습니다. 복잡한 과정이었는데 자세히 설명해주셔서 잘 이해할 수 있었습니다. ABSA task의 경우 실용성이 매우 높다고 생각되는데, 발표자의 의견대로 이런 task가 주목을 받지 못한다는 것이 아쉬웠습니다. 아직은 LLM으로 모든 것을 대체할 수 없기에 이와 관련한 전문적인 방법론들 또한 많이 개발되어야 한다고 생각하는데 좋은 연구 기대하겠습니다.

이번 세미나는 Aspect-Based Sentiment Analysis(ABSA) 라는 주제를 바탕으로 진행되었습니다. 가장 먼저, ABSA는 무엇을, 어떻게, 왜 그렇게 생각하는지를 분석하는 Task라고 볼 수 있겠습니다. 이때, ABSA에 대해서도 다양한 Main task가 주어질 수 있지만, 해당 세미나에서는 다양한 Main task를 동시에 다룰 수 있도록 Output을 뱉어내는 Triplet(Aspect, Polarity, Opinion term) 형태로써 이용할 수 있는 방법론들을 소개해주고 있었습니다. 이때 첫 번째로 소개해주신 A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis 논문에서는 Aspect term Extraction, Sentiment Classification, Opinion term Extraction을 위한 Loss를 구성하였으며, 파라미터를 공유하는 두 가지의 BERT Encoder를 통하여 학습하는 방법을 제안하고 있습니다. 이때, 한 MRC Part에서는 Extract all Aspect Terms를 수행하며, 나머지 한 쪽에서는 Extract all Opinion Terms과 Find sentiment polarity를 진행하고 있는 형태를 보이고 있습니다. 두 번째 논문인 Towards Generative Aspect-Based Sentiment Analysis에서는 ABSA내 여러 과업을 분류 문제가 아니라 생성 문제를 통해 해결하자는 것을 Motivation하는 논문이라고 볼 수 있습니다. 이때, Annotation style과 Extraction style을 통하여 진행하고자 하는 ABSA task에 적합한 Output 형식을 만들고 있으며, 출력된Output에 Predction Normalization이라는 후처리 방법을 적용하고 있었습니다. ABSA를 단순히 감정 분석이라는 단순한 Task로 이해했었는데, 그 안에서도 다양한 Task로 진행될 수 있다는 사실을 알 수 있었습니다. 하나하나 예시를 들어서 상세하게 설명해주셔서 이해가 수월했습니다. 좋은 세미나 정말 감사드립니다.

이번 세미나는 Aspect-Based Sentiment Analysis를 주제로 진행되었습니다. ABSA는 어떠한 sentence, review에서 어떤 것을 어떤 단어로 표현하고 어떤 감정의 표현인지 분석하는 과업이라고 할 수 있습니다. 기존의 연구들은 해당 요소들을 개별로 추출하고 compound task로 후처리 진행하는 한계점과 두 가지 요소 추출 과업을 진행할 시에 문장 내 다중 요소를 고려하기 어려웠습니다. 세미나에서 두 논문을 소개해주셨습니다. 첫번째 논문은 “A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis”로 Dual-MRC Framework로 여러 과업들을 모두 수행하고자 하였습니다. 두개의 MRC 중 하나는 aspect term들을 추출하고 나머지 하나는 opinion term들과 sentiment polarity를 도출합니다. 두번째 논문인 “Towards Generative Aspect-Based Sentiment Analysis”에서는 ABSA의 과업들을 T5를 통해 생성문제로 접근하였습니다. 두 논문 모두 ABSA 과업에 있어 간단하면서도 기존의 연구들과 다른 관점으로 접근하여 기존 연구들의 문제점을 해결하고자 한 점이 인상 깊었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 "Aspect-Based Sentiment Analysis"를 주제로, “A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis”와 “Towards Generative Aspect-Based Sentiment Analysis”에 대해 소개해주셨습니다. ABSA란, 속성을 기반으로 하는 감성분석으로, 다양한 aspect를 찾고 이와 관련 단어들을 통해 해당 text가 어떠한 감정을 지니고 있는가를 파악해내는 task라고 할 수 있습니다. 소개해주신 논문들에서는 MRC BERT encoder를 활용하며, 두 개의 BERT 모델을 사용하는 bi-의 방식으로 Seq2Seq의 구조를 적용하는 아이디어도 제안되어 있습니다. 또한, 두번째 논문에서는 T5 모델을 base로 활용하여, 생성 방식을 처음으로 시도하고 있었습니다. 개인적으로 이번 세미나를 통해 처음으로 자세히 알아보게 되었는데, 생각보다 다양하고 구체적인 연구들이 조금씩 진행되고 있음을 알 수 있었고, 또한 무엇보다 현업에서 다루는 데이터들에 보다 직접적으로 활용이 가능하지 않을까 생각해볼 수 있었습니다. 또한, 발표자께서 워낙 여유로운 태도로 상세히 설명을 해주시어 쉬운 이해에 도움이 되었던 것 같습니다. 좋은 발표 준비해주셔서 감사드립니다.

이번 세미나에서는 “Aspect-Based Sentiment Analysis”주제로 진행되었습니다. ABSA는 aspect별로 감정을 분류하는 태스크입니다. 첫번째 논문인 "A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis"에서는 측면 기반 감정 분석을 위해 두 가지 기계 독해(MRC) 모델을 결합하는 방법을 제안합니다. 첫번째 MRC 모델은 문장에서 측면과 감정을 추출하고, 두번째 MRC 모델은 측면과 감정에 대한 근거를 찾습니다. 이렇게 하면 측면과 감정의 의존성을 고려하고, 근거를 제공하여 결과의 신뢰성을 높일 수 있습니다. 두번째 논문인 "Towards Generative Aspect-Based Sentiment Analysis"에서는 생성적 측면 기반 감정 분석라는 새로운 작업을 소개합니다. 주어진 문장에 대해 측면과 감정을 생성하고, 그에 대한 근거를 생성하는 작업입니다. generative ABSA는 기존의 추출적 측면 기반 감정 분석보다 더 유연하고 다양한 결과를 제공할 수 있습니다. 해당 논문은 T5를 이용하여 생성방식으로 시도하였고 output을 정제하는 과정으로 prediction normalization을 사용하고 있습니다. 2021년 발표된 논문이기에 현재 LLM을 활용한 NLP 최신 논문들과는 결이 다른 논문이었습니다. 하지만, 모든 문제를 LLM을 사용하여 해결하기 보다는 LLM없이 해결할 수 있는 문제에서는 어떻게 해결할 것인가에 대해 충분히 고민해볼 수 있는 시간이었습니다. 좋은 발표 감사드립니다.

본 세미나에서는 Aspect-Based Sentiment Analysis(ABSA) 라는 주제로 진행되었습니다. 해당 주제에 대한 2개의 논문인 A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis와 Towards Generative Aspect-Based Sentiment Analysis에 대한 리뷰를 진행하였습니다. 첫번째로 다룬 논문인 A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis의 경우 Aspect Sentiment Triplet Extraction(ASTE)를 독해(reading comprehension)의 관점에서 BERT를 이용하여 각 요소를 NER 방식으로 해결하는 방법을 제시합니다. 또한 두번째 논문인 Towards Generative Aspect-Based Sentiment Analysis은 seq-to-seq 방식으로 T5를 이용해 생성(generative)의 방식을 통해 문제를 해결하는 방법론을 제안합니다. ABSA라는 task를 본 세미나를 통해 처음 접해보았는데, 생소하지만 흥미로운 과업이라는 생각이 들었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis(Mao et al., 2021), Towards Generative Aspect-Based Sentiment Analysis(Zhang et al., 2021) 두 논문을 통해 Aspect-Based Sentiment Analysis(ABSA) Task에 대해서 설명해 주셨습니다. 본 과업은 주어진 속성(Aspect)에 대한 감정 분류 과업으로 대표되나 구체적으로는 Aspect Term과 감정 분류를 동시에 진행하는 Aspect term Extraction and Sentiment Classification, Aspect Term에 대한 의견 단어인 Opinion Term을 함께 찾는 Aspect term & Opinion term Pair Extraction 등이 추가로 존재합니다. 이번 세미나에서는 특히 Aspect Sentiment Triplet Extraction(ASTE)에 집중하여, 관련된 end-to-end 방법론을 두가지 소개해 주셨습니다. 첫번째 연구에서는 BERT와 같은 Encoder-only 모델을 활용하여 리뷰에서 Aspect Term과 감성, Opinion Term을 추출하는 방법을 다루며, 특히 각 요소를 NER 방식으로 해결하는 방법을 제시하였습니다. 그리고 두 번째로 소개된 연구에서는 기존의 ABSA 연구들이 NLU 모델만을 활용하던 문제에 대응하기 위해 생성(Generation) 문제로 접근하는 방법을 제안하여 모델을 분류 문제로 학습할 때 단어의 Semantic 정보가 반영되지 않는 한계를 극복하기 위해 T5기반 생성 모델을 활용하는 방법을 제안하였습니다. 발표자께서는 자주 생소한 task를 소개해 주시는데, 세미나를 들을 때마다 존재하는 task를 잘풀기위한 연구만 수행하는 것이 아니라, 정말 당면한 문제를 해결할 수 있는 적절한 task를 정의하는 것이 얼마나 중요한지를 생각하게 됩니다. 좋은 발표 감사합니다.

해당세미나 시간에는 김도윤 석박통합과정이 Aspect-based Sentiment Analysis라는 주제로 속성기반의 감성분석과 관련하여 두가지 논문을 소개해주었습니다. 개인적으로 감성분석은 대학원생활의 시작과 함께 수행한 공모전에서 처음 수행한 이후로 잠시 관심을 가지지 못했던 분야였습니다. 이번 세미나를 통해서 그 동안의 기간동안 어떻게 발전해왔는지, 그리고 최근의 연구동향까지도 파악할 수 있었던 뜻깊은 세미나 시간이었습니다. 해당 세미나에서 소개한 survey 논문은 시간적인 여유가 허락되거나 관련 task를 수행할 때 좋은 도움이 될 것 같습니다. 세미나의 주요 논문가운데 첫 논문은 “A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis” 로 Aspect-based Sentiment Analysis에서 추출하고자 하는 요소들을 Dual-MRC Framework를 통해서 동시에 triplet 형태로 학습하고 추출하고자 하였습니다. 따라서 목적식에는 Aspect Term 추출과 감성분석 그리고 opinion term을 동시에 추출하는 형식을 취하고 있는데, 이 과정에서는 말 그대로 Dual-MRC 두개의 MRC 파트로 좌-우측에서 파라미터를 쉐어하는 모델을 통해서 수행하였습니다. 여기서 추출하고자 하는 방향에 따라서 각각 가중치를 조율하며 수행할 수 있다고 주장하였는데, 이는 3가지 loss를 control하는 만큼 말처럼 쉬운 과정이 아닐 것 같다는 것이 개인적인 의견입니다. 이어서 소개한 “Towards Generative Aspect-Based Sentiment Analysis” 논문에서는 ABSA를 문자 생성 관점에서 접근한 연구로 기존 T5 모델을 활용하여 원하는 pair의 추출을 수행하였습니다. 단어들의 의미와 연관성을 직관적으로 파악하는 사람의 특성이 잘 반영된 방식이기에 심플하지만 명시적으로 잘 와닿았습니다. 물론 문장 생성 이후의 refine과정이 다소 복잡하고, 아직은 보완할 점이 많은 부분이 많아 보였습니다. 발표자가 세미나의 맺음말로 언급하였듯이 해당 ABSA는 실제 현업에서 꽤나 활용도가 높은 연구분야임에도 불구하고 아직은 다른 연구분야에 비해서 많은 주목을 받지 못하고 있다고 개인적으로 생각합니다. 발표자께서 좋은 연구로 해당 분야에 좋은 결실을 보여주었으면 좋겠습니다. 흥미로운 주제로 세미나시간을 잘 이끌어준 발표자에게 감사의 인사 전합니다.

본 세미나는 김도윤 발표자님께서 "Aspect-Based Sentiment Analysis"라는 task의 두 논문을 중심으로 진행되었습니다. ABSA라고 불리는 해당 Task는 Aspect라는 term의 감정을(긍정, 부정, 의견 등) 분석하는 연구로 특히 리뷰 데이터에서 많이 사용되는 연구입니다. 먼저 첫 번째 "A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis"라는 논문에서는 Dual-MRC Framework로 ABSA 내 subtasks를 모두 수행하는 것으로, Aspect term 추출을 triplenet 구조를 활용해서 제시하고 있습니다. Dual이라는 말을 바탕으로 Aspect term을 추출하는 encoder와, opinion term을 추출하는 encoder 2개를 각각 사용하고 있으며, 이를 joint training 하는 것이 큰 기여점이라고 생각했습니다. 두 번째 "Towards Generative Aspect-Based Sentiment Analysis" 논문에서는 T5 모델을 활용해서, 최초로 생성방식으로 접근한 방법론으로 Aspect, opinion, sentiment, category 등 원하는 조합의 요소를 추출할 수 있는 통합 파이프라인을 제시하였습니다. 해당 task에 대한 논문을 보면서 드는 생각은, ABSA가 소비자 리뷰 및 VoC 등 사용자 관점의 분석을 진행하는 이커머스 분야에서 계속 이루어질 것이라고 생각합니다. 하지만 우려되는 점이 2가지가 있는데, 첫 번째는 LLM이 등장하고 나서 리뷰와 같은 짧은 문장에서 다뤄지는 Task들은 대체될 것이라는 생각과, 2번째는 해당 task의 연구들이 어느정도 한계점을 찍어서 2020년 이후로 연구들이 끊겼다는 점입니다. 따라서 저도 ABSA에 관심이 많았으나, 연구 레퍼런스의 부족과 이커머스 기업에서 해당 연구가 결국 수익으로 이뤄지지 않는 점들이 안타까웠고, 이 점들을 어떻게 해결해나갈 수 있을지가 연구자들이 향후 삼아야 하는 문제점이자 연구 방향이라고 생각했습니다. 좋은 발표 준비해주셔서 감사합니다.