Negation Triplet Extraction with Syntactic Dependency and Semantic Consistency

之前的否定理解研究主要集中在否定提示词的检测和范围解析，而没有识别否定主语，而这对下游任务也很重要。本文提出了一种新的否定三元组提取（NTE）任务，旨在提取否定主语以及否定提示和范围。为了实现NTE，我们设计了一种新颖的句法和语义增强的否定提取模型，即SSENE，它是基于具有多任务学习框架的生成预训练语言模型（PLM）{编码器-解码器架构}构建的。具体来说，给定句子的句法依赖树被合并到PLM的编码器中，以发现否定主语、提示和范围之间的相关性。此外，通过辅助任务学习来确保句子和提取的三元组之间的语义一致性。此外，我们还基于美团的真实用户评论构建了一个高质量的中文数据集NegComment，我们的评估表明，与基线相比，SSENE实现了最佳的NTE性能。我们的消融和案例研究还表明，合并句法信息有助于PLM识别主语和提示之间的远程依赖关系，辅助任务学习有助于提取具有更多语义一致性的否定三元组。

提出了一个新的Negation Triplet Extraction (NTE) 任务，旨在提取否定主语、否定词和否定范围，以解决以往否定理解中忽略否定主语的问题。

提出了一种新的模型 SSENE，利用预训练语言模型（PLM）的编码器结合给定句子的句法依存树，实现对否定主语、否定词和否定范围之间关系的发现，并通过辅助任务确保提取的三元组与句子的语义一致性。

构建了一个高质量的中文数据集 NegComment，实验结果表明，SSENE 在 NTE 任务上的表现优于基线模型。通过消融实验和案例研究，证明了将句法信息纳入 PLM 的编码器可以帮助识别主语和否定词之间的远程依赖关系，辅助任务学习有助于提取具有更多语义一致性的否定三元组。

近期相关研究包括 NegBERT、NegScope 和 NegBio 等。