CAVE-ABSA, 감성 분석을 위한 측면 단위 반사실 편집

도입

측면 기반 감성 분석(ABSA)은 문장 전체가 긍정인지 부정인지를 판단하는 작업과 다르다. 하나의 리뷰 안에서도 음식은 칭찬하면서 서비스는 비판할 수 있고, 가격에는 불만이 있지만 위치에는 만족할 수 있다. 따라서 모델은 감정 표현이 어떤 측면을 향하는지까지 파악해야 한다.

이 때문에 ABSA에서 반사실 평가는 더 까다롭다. 좋은 반사실 예시는 목표 측면의 감정만 반전시키면서, 다른 측면의 감정과 전체 의미, 문장 유창성, 사실적 일관성을 유지해야 한다. arXiv 논문 “Constraint-Aware Counterfactual Editing for Aspect-Based Sentiment Analysis”는 이 문제를 해결하기 위한 CAVE-ABSA 프레임워크를 제안한다.

핵심 내용

• 문장 단위가 아니라 측면 단위 편집: 기존 반사실 생성 방식은 문장 전체 라벨을 바꾸는 데 초점을 맞추는 경우가 많다. ABSA에서는 이런 방식이 자연스러운 문장을 만들더라도 목표가 아닌 측면의 감정까지 바꿔 잘못된 예시가 될 수 있다.
• 생성과 검증의 분리: CAVE-ABSA는 먼저 목표 측면과 관련된 의견 구간을 찾고, 그 부분을 중심으로 통제된 반사실 재작성을 수행한다.
• 복구 모듈 사용: 생성된 후보에는 의미 변화, 모순, 부자연스러운 표현, 측면 불일치가 남을 수 있다. 이를 줄이기 위해 후보를 보정하는 단계가 포함된다.
• 여러 제약 조건으로 필터링: 측면 수준 검증, 의미 유사도, AMR 기반 구조 보존, 최소 편집, 유창성, 모순 탐지 등을 이용해 부적절한 후보를 걸러낸다.
• 평가와 데이터 증강에 활용: 이 프레임워크는 검증된 ABSA 반사실 데이터셋을 구축해 모델 견고성 평가와 학습 데이터 확장에 활용하는 것을 목표로 한다.

의미와 영향

CAVE-ABSA의 의의는 ABSA 모델이 실제로 측면에 근거해 감성을 추론하는지 더 엄격하게 확인할 수 있다는 데 있다. 일반 테스트셋에서 좋은 성능을 보이는 모델도 실제로는 문장 전체의 분위기, 특정 단어, 데이터 편향에 의존할 수 있다. 목표 측면만 바꾼 반사실 예시는 이런 약점을 더 직접적으로 드러낼 수 있다.

또한 이 논문은 반사실 예시의 유효성을 단순한 라벨 변화로 보지 않는다. 의미 보존, 구조 유지, 모순 방지, 최소한의 수정까지 함께 고려해야 한다는 점을 강조한다. 특히 AMR 기반 구조 보존과 모순 탐지를 포함한 것은, 겉으로는 자연스럽지만 평가 목적에는 맞지 않는 샘플을 줄이려는 시도로 볼 수 있다.

다만 제공된 초록 기준으로는, CAVE-ABSA가 모든 반사실 생성 오류를 해결했다고 보기보다는 검증된 생성 절차를 제안한 연구로 읽는 것이 적절하다. 실제 효과는 의견 구간 탐지, 재작성 모델, 검증기의 품질과 적용 도메인에 따라 달라질 수 있다. 그럼에도 ABSA 모델의 진짜 추론 능력을 평가하려는 연구자에게는 중요한 방향을 제시한다.

출처: arXiv