감성 분석(Sentiment Analysis, SA)은 텍스트 내 주관적 정보를 식별하고 분류하는 데 관련된 근본적인 NLP 과제입니다. 어휘 사전 기반 방법론은 투명성을 제공하지만, 부정이나 강조와 같은 언어 현상에 어려움을 겪는 경우가 많습니다. 이러한 문제를 해결하기 위해 구문 분석(Syntactic parsing)이 SA 파이프라인에 통합되어 왔으나, 기존의 파서는 상당한 계산 오버헤드를 유발합니다. 최근 연구에서는 의존성 구문 분석을 Sequence Labeling (SEL) 과제로 재구성하는 것이 효율성을 개선할 수 있음을 보여주었습니다.
본 논문에서는 통일된 Multi-Task Learning (MTL) 하에 신경망 감성 분석 모델에 구문 지식을 통합하기 위한 두 가지 전략을 제안하고 비교합니다. 첫 번째인 Standard-MTL은 공유 인코더와 두 개의 작업별 헤드(task-specific heads)를 사용하여 의존성 구문 분석(sequence labeling을 통해)과 감성 극성 분류를 공동으로 학습합니다. 두 번째인 Contrastive-MTL은 명시적인 레이블 예측을 요구하지 않으면서, 대조적 보조 목적 함수(contrastive auxiliary objective)와 구문 편향 어텐션 풀링 메커니즘(syntax-biased attention pooling mechanism)을 통해 암묵적인 구문 지도를 제공합니다. 두 방법 모두 훈련 과정에서 구문 주석에 의존하며, 추론 시 수작업으로 만든 구성 규칙이나 외부 파싱의 필요성을 제거합니다.
우리는 네 가지 확립된 SEL 인코딩을 사용하여 MARC 코퍼스(영어, 스페인어, 프랑스어, 독일어)와 SemEval-2022 Task 10에서 가져온 일곱 개의 데이터셋(영어, 스페인어, 노르웨이어, 바스크어, 카탈루냐어)에 걸친 총 열한 개의 데이터셋을 평가했습니다. 상대적 인코딩(relative encoding)을 사용했을 때, Contrastive-MTL은 11개 데이터셋 중 10개에서 구문 지식이 부족한 기준선(syntax-naive baseline)보다 성능이 우수했으며, 후자가 적용되는 여섯 개 데이터셋에서는 외부 규칙 기반 파이프라인(SELSP)을 능가했습니다. 또한 평가 속도 면에서도 1.5~9배 더 빠릅니다. Standard-MTL은 데이터셋 및 인코딩에 더 의존적입니다. 이러한 결과는 훈련 중의 암묵적인 구문 감독(implicit syntactic supervision)이 계산 오버헤드 없이 추론 시 명시적인 파싱과 동등하거나 그 이상의 성능을 달성할 수 있음을 보여줍니다.