摘要 即使使用了大规模预训练模型，结构偏差仍然是有必要的
在本文中，我们希望从两个角度回答这个问题：1）在参数和延迟效率方面，结构偏差是否可以以灵活的方式纳入PLM；以及2）结构偏差是否可以增强ASTE的额PLM。
相比之下，我们建议使用结构化的注意力图，而不是引入精心设计的插件，从而在自我注意力中对原始注意力图产生额外影响，从而只需要少量的增量参数。在此基础上，我们进一步建议使用相对距离来替代依赖距离。直觉在于观察到意见主要与相应方面密切相关（Xu等人，2020；Ma等人，2021），因此我们假设使用相对距离偏差就足以实现ASTE。即使在PLM的情况下，结构偏差仍然是必要的，以实现更好的ASTE性能。
为了将依赖性或相对距离整合到自我注意中，结构适配器被强加以导出结构化的注意图，以对由自我注意诱导的原始注意图进行加性偏置。
总之，结构偏差可以灵活地结合到PLM中，并提高参数和延迟效率。结构适配器只需要少量参数。相对距离可以以低延迟实现。此外，结构适配器大大提高了SOTA性能。因此，即使在PLM的情况下，结构偏差仍然是必要的，以实现更好的ASTE性能。
带有结构适配器的预训练模型
当PLM被用作主干时，令牌首先被转换为嵌入，然后由随后的转换块操作。虽然PLM可以捕获语义交互，但我们还介绍了如何将结构交互包括在结构适配器中。当PLM被用作主干时，令牌首先被转换为嵌入，然后由随后的转换块操作。虽然PLM可以捕获语义交互，但我们还介绍了如何将结构交互包括在结构适配器中。
上图显示自我注意（左）和应用结构适配器的自我注意（右）之间的差异。Q、 K和V分别代表线性变换的查询、键和值。R代表距离。
加入结构适配器的注意力机制
rij表示两个标记ti和tj之间的距离嵌入。同样值得注意的是，每个关系嵌入在不同的头之间共享，但从一层到另一层保持独立。
- Structural Extraction Sentiment Triplet Aspectstructural extraction sentiment triplet aspect-based challenge effective sentiment 上下文relation-aware aspect-based sentiment triplet structural understanding convolutional vulnerability structural structural clustering network deep triplet target sentiment sentiment-aware