2.1 Vision-Language Pre-Training for Multimodal Aspect-Based Sentiment Analysis

Vision-Language Pre-Training for Multimodal Aspect-Based Sentiment Analysis

1、基本信息

• 作者：Yan Ling, Jianfei Yu, Rui Xia

• 会议：ACL 2022

• 单位：南京理工大学

2、主要框架

• 任务：Multimodal Aspect-Based Sentiment Analysis(MABSA)
  1. Multimodal Aspect Term Extraction(MATE)
     • input: text-image pair
     • output: aspect terms(mentioned in the text)
  2. Multimodal Aspect-oriented Sentiment Classification(MASC)
     • input: extracted aspect term
     • output: sentiment class
  3. Joint Multimodal Aspect-Sentiment Analysis(JMASA)【如下图1所示】
     • input: text-image pair
     • output: aspect-sentiment pairs

• 问题
  1. 现有方法要么分别使用预训练的视觉、文本模型，忽略了模态间的对齐关系。
  2. 要么使用经通用预训练任务的视觉-语言模型，不足以识别细粒度的aspect、opinion和模态间的对齐关系。
• 方法
  • A task-specific Vision-Language Pre-training framework for MABSA(VLP-MABSA)
    • BART-based generative multimodal architecture
    • 所有预训练任务和下游任务都可以通用的（unified）多模态encoder-decoder 架构
  • 3类task-specific 预训练任务
    1. Language
       • Masked Language Modeling(MLM)
       • Textual Aspect-Opinion Extraction(AOE)
    2. Vision
       • Masked Region Modeling(MRM)
       • Visual Aspect-Opinion Generation(AOG)
    3. Multimodal
       • Multimodal Sentiment Prediction(MSP)
• 实验结果：超过SOTA

3. VLP-MABSA

模型骨干是BART，a denoising autoencoder for sequence-to-sequence models。将其扩展为同时编码文本和视觉输入，可解码不同模态的预训练任务或下游任务。

3.1. Feature Extractor

1. Image Representation：用Faster R-CNN抽取的mean-pooled convolutional features作为视觉特征。
   1. 抽取并取置信度前36个regions，即 R = { r 1 , . . . , r 36 } R=\{r_1, ..., r_{36}\} R={r1​,...,r36​}，并保留其semantic class distribution，记为$q(v)$（用于MRM）。
   2. 每个region的视觉特征向量的维度本来是2048，即$r_i\in {\mathbb{R}}^{2048}$，为了和文本特征一致，再用linear transformation layer投影成d维向量，即$V\in {\mathbb{R}}^{d\times 36}$。
2. Text Representation：Embedding Matrix
   1. 句子分词成tokens， E = { e 1 , . . . , e T } E=\{e_1, ..., e_T \} E={e1​,...,eT​}记录其下标序列，$T$是文本长度。
   2. 从Embedding Matrix中取相应tokens的embeddings，即 W = { w 1 , . . . , w T } W=\{ w_1, ..., w_T\} W={w1​,...,wT​}。

3.2. BART-based Generative Framework

1. Encoder：多层双向Transformer
   1. 在编码器的输入端，分别用 和 ，和标识visual features，textual input的起始和结束。
   2. 
   3. $X$表示concatenated的多模态输入。
2. Decoder：多层单向Transformer
   1. 在解码端的输入端，因为所有预训练任务共享同样的解码器，为标识不同预训练任务，分别都用两个special tokens作为解码器输入的开始。
      • <bos><mlm>, <bos><aoe>, <bos><mrm>, <bos><aog>和 <bos><msp>分别是5个预训练任务的special tokens。
   2. 

3.3. Pre-training Tasks

• Original dataset: MVSA-Multi
  • input: image-text pairs
  • output: coarse-grained sentiments

3.3.1 Textual Pre-training

1. Masked Language Modeling(MLM)：对齐文本和视觉特征

   • mask的策略和BERT一样；

   • 损失函数如下，$\tilde{X}$指的是masked的拼接后的多模态输入$X$。
     $$L_{MLM}=-{\mathbb{E}}_{X\sim D}\sum _{i=1}^{T}logP(e_i|e_{<i},\tilde{X})$$

2. Textual Aspect-Opinion Extraction(AOE)：生成文本中的aspects和opinions

   1. 数据集中不提供aspect和opinion的标注，需用其他的方法构造监督信号。

      1. Aspect：一个Named Entity Recognition（NER）工具中的预训练模型(2011)
      2. Opinion：a sentiment lexicon(SentiWordNet)(2006)

   2. an index generation task：生成所有aspects和opinions的起止下标。

      1. target标注$Y=[a_1^s,a_1^e,...,a_M^s,a_M^e,<sep>,o_1^s,o_1^e,...,o_N^s,o_N^s,<eos>]$ ，其中$M，N$指aspect terms 和opinion terms的数量，$a^s,a^e$和$o^s,o^e$分别是每个的起止下标。、标识分割、结束。
      2. 例子如图所示：
      3. 公式流程：得到token的概率分布。
         1. $h_t^d=Decoder(H^e;Y_{<t})$ 。$H^e$指编码器的输出，$Y_{<t}$指解码器t时前的输出。
         2. ${\overline{H}}_T^e=(W+H_T^e)/2$。一个文本一个固定的值。$H_T^e$指$H_T$对应的文本部分。
         3. $P(y_t)=Softmax([{\overline{H}}_T^e;C^d]h_t^d)$。$C_d$指$C=[<sep>,<eos>]$的d维embeddings。
      4. 损失函数如下，$O=2M+2N+2$指target标注$Y$的长度。

      $$L_{AOE}=-{\mathbb{E}}_{X\sim D}\sum _{t=1}^{O}logP(y_t|Y_{<t},X)$$

3.3.2 Visual Pre-training

用以下两个任务捕获图像中的主体和客体信息

1. Masked Region Modeling(MRM)：预测masked region的semantic class distribution

   1. 在编码器输入端，regions以15%的概率随机被mask，相应的特征会改为零向量。

   2. 在解码器输入端，masked region的提示词为，其余为。

   3. 在解码器输出后，所有的会追加一个MLP分类器，用以预测其semantic class distribution，记为$p(v)$。

   4. 损失函数：减少预测分布和target分布的KL散度。Z指masked regions的数量。
      $$L_{MRM}={\mathbb{E}}_{X\sim D}\sum _{z=1}^Z{D}_{KL}(q(v_z)||p(v_z))$$

   5. 例子如图所示

2. Visual Aspect-Opinion Generation(AOG)：生成图像中的aspect-opinion对

   1. 监督信号

      1. Adjective-Noun Pair(ANP)（2013）：如smiling man and beautiful landscape，分别能捕获细粒度的aspects 和opinions，因此将其作为图像中的aspect-opinion对。
      2. 用一个预训练ANP检测器DeepSentiBank（2014），预测2089个预先定义的ANPs的类分布，概率最高的ANP作为监督信号。

   2. a sequence generation task

      1. G = { g 1 , . . . , g ∣ G ∣ } G=\{g_1,...,g_{|G|}\} G={g1​,...,g∣G∣​}指target ANP的tokens，$|G|$指ANP tokens的数量

      2. 公式流程：

         1. $h_i^d=Decoder(H^e;G_{<i})$
         2. $P(g_i)=Softmax(E^T{h}_i^d)$；E指词汇中所有tokens的embedding matrix。【跟之前E的定义不一样？词汇中是所有词典还是输入文本的词？】

      3. 损失函数：
         $$L_{AOG}=-{\mathbb{E}}_{X\sim D}\sum _{i=1}^{|G|}logP(g_i|g_{<i},X)$$

      4. 例图[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7W2DprLy-1668692099370)(C:/Users/26282/AppData/Roaming/Typora/typora-user-images/image-20221112163228101.png)]

3.3.3 Multimodal Pre-training

不像前两类预训练任务，MSP的监督信号是多模态的。识别文本和视觉的客观信息，以及他们之间的对齐关系。

1. Multimodal Sentiment Prediction(MSP)

   1. MVSA-Multi数据集提供粗粒度的情感标签，将其作为监督信号。

   2. a classification task

      1. 公式流程：

         1. $h_{msp}^d=Decoder(H^e;E_{msp})$；$E_{msp}$指两个special tokens相应的embeddings
         2. $P(s)=Softmax(MLP(h_{msp}^d))$；s指相应的情感标签

      2. 损失函数：
         $$L_{MSP}=-{\mathbb{E}}_{X\sim D}logP(s|X)$$

      3. 例图

3.3.4 Full Pre-training Loss

目标函数
$$L={\lambda }_1{L}_{MLM}+{\lambda }_2{L}_{AOE}+{\lambda }_3{L}_{MRM}+{\lambda }_4{L}_{AOG}+{\lambda }_5{L}_{MSP}$$

3.4 Downstream Tasks

• 下游任务：MABSA的3个子任务，即Joint Multimodal Aspect-Sentiment Analysis(JMASA)，Multimodal Aspect Term Extraction(MATE)，和Multimodal Aspect-oriented Sentiment Classification(MASC)。

• 模型：和预训练任务一样

• 模型输出

  • JMASA：$Y=[a_1^s,a_1^e,...,a_i^s,a_i^e,s_i,...]$，$a_1^s,a_i^e,s_i$分别指文本中某aspect的起止下标和情感。
  • MATE：$Y=[a_1^s,a_1^e,...,a_i^s,a_i^e]$。
  • MASC：$Y=[\underline{a_1^s},\underline{a_1^e},s_1,...,\underline{a_i^s},\underline{a_i^e},s_i,...]$，下划线表示推理时是已知的。

• index generation tasks

  • 与AOE一样的公式流程，除了special token集合 $C=[<POS>,<NEU>,<NEG>,<EOS>]$改成了感情类别。
  • JMASA图例
    • 

4. 实验

4.1 Experimental Settings

Dataset

下游数据集使用TWITTER-2015和TWITTWE-2017评估VLP-MABSA模型

4.2 对比实验

JMASA

1. 从text-based methods的对比可以看出VLP-MABSA中基础模型BART的优越性
2. Multimodal methods中JML采用了辅助任务来检测图像与文本的关系，超越了此前所有方法；而VLP-MABSA的F1得分比它分别高了2.5和2.0，这可以归功于3类task-specifc 预训练任务识别了aspects、opinion和模态间的对齐关系。

MATE

MASC

1. 要注意JML只评估了正确预测的aspect的结果，而其他都是评估了所有的golden aspects。

4.3 消融实验

以weak supervision为例具体分析每个预训练任务的效果，只加入MLM、MRM提效甚微，AOE、AOG提高很明显，特别是MSP。

• 下游训练时的样本数量少时，预训练带来的提效比没有预训练来的高。数量多时，效果是一样的。
  • 这表明预训练方法的鲁棒性和有效性，特别在数据集少的领域。

4.4 实例展示

MM是没有预训练的多模态输入的框架，VLP是预训练后的。

5.思考

1. 预训练任务里加入图像与文本的关系