?餐馆食物不错，但是环境不太容易让人放松惬意。
{属性：食物 ;?观点：不错 ;?情感：正}
{属性：环境?;?观点：不容易让人放松?;?情感：负}
从一个评论句子中找出，用户评论了哪些方向、观点是什么、情感急性是什么。看起来是一个观点抽取+多分类的问题。
解决这个问题主要有两大思路：1.联合模型一步解决 ?2.任务分成两步做
联合模型解决
好处：
1.把问题当成一个整体，问题之间关联关系可以作为默认约束
2.单一模型解决简单方便，使用者输出结果简单
问题：
1.需要更强大表现力的模型，也就也为需要更多的标注数据
2.数据的标注需要更多的技ps22巧，一种标记符号区别3个任务，符号信息熵一定是比较大的
两段法
好处：
1.可以拆分成现有的NLP问题来解，泛化的标注数据集更多，可以用的预训练模型也更多
2.分两阶段，模型参数可共享，需要标注的数据量也可以更少
问题：
1.分两段来做，需要考虑人为的思考两阶段之间的关系，训练时候需要人工调整数据分布
2.两段之间相互约束关系没有一个网络学习到
两阶段法也有好多实现思路，比如：把属性、观点用实体抽取法抽取了，在对实体对做分类判断属于哪类属性、观点是什么；属性做实体抽取，抽取的属性和评论一起输出模型做观点抽取和情感判断。我们这次介绍的思路是两段法属性做实体抽取，抽取的属性和评论一起输出模型做观点抽取和情感判断。
实现思路：
1.bert+crf做属性抽取
2.bert+span+softmax做观点抽取和情感分类
属性抽取训练样本构造如下：
四 O
驱 O
价 B-ORG
格 I-ORG
貌 O
似 O
挺 O
高 O
的 O
， O
高 O
的 O
可 O
以 O
看 O
齐 O
X O
C O
6 O
0 O
了 O
， O
看 O
实 O
车 ?B-ORG
前 ?I-ORG
脸 ?I-ORG
有 O
点 O
违 O
和 O
感 O
。 O
不 O
过 O
大 ?B-ORG
众? B-ORG
的 ?I-ORG
车 ?I-ORG
应 O
该 O
不 O
会 O
差 O
。 O
。 O
观点抽取和情感分类训练数据构造：
价格，四驱价格貌似挺高的，高的可以看齐XC60了，看实车前脸有点违和感。不过大众的车应该不会差。 ?挺高（8，9） 0
车前脸，四驱价格貌似挺高的，高的可以看齐XC60了，看实车前脸有点违和感。不过大众的车应该不会差。 ?有点违和感（28，32） -1
大众的车，四驱价格貌似挺高的，高的可以看齐XC60了，看实车前脸有点违和感。不过大众的车应该不会差。 ?不会差（42，44） 1
观点抽取（用的命名实体识别代ps22码实现）
初始化环境+训练数据集+bert模型参数准备
构造模型
训练模型
验证+模型加载
观点抽取+情感分类
初始化环境+模型参数准备
数据集构造
模型构造
训练模型
测试
以上就是实现的思路了，数据集需要自己做标注，情感分类需要自己加一个3分类的softmax头，代码中标注地方加就好。
参考代码：https://github.com/wilsonlsm006/bert_ner.git
