Aspect Sentiment Triplet Extraction (ASTE) is an Aspect-Based Sentiment Analysis subtask (ABSA), which aims to extract aspect-opinion pairs from a sentence and identify the sentiment polarity associated with them. For instance, given the sentence Large rooms and great breakfast, ASTE outputs the triplet T = {(rooms, large, positive), (breakfast, great, positive)}. Although several approaches to ASBA have recently been proposed, those for Portuguese/Spanish have been mostly limited to extracting only aspects, without addressing ASTE tasks. This work aims to develop a framework based on Deep Learning to perform the Aspect Sentiment Triplet Extraction task in Portuguese and Spanish. The framework uses BERT as a context-awareness sentence encoder, multiple parallel non-linear layers to get aspect and opinion representations and a Graph Attention layer along with a Biaffine scorer to determine the sentiment dependency between each aspect-opinion pair. The comparison results show that our proposed framework significantly outperforms the baselines in Portuguese/Spanish and is competitive with its counterparts in English.

Aspect Sentiment Triplet Extraction (ASTE) é uma subtarefa de Aspect-Based Sentiment Analysis (ABSA), que visa extrair pares de opiniões e aspectos de uma frase e identificar a polaridade de sentimento associada a eles. Por exemplo, dada a sentença Os quartos são amplos e ótimo café da manhã, ASTE gera o tripleto T = {(quartos, amplos, positive), (café de manhã, ótimo, positive)}. Embora várias abordagens tenham sido propostas recentemente, os trabalhos disponíveis em português e espanhol tem se limitado, em sua maioria, a extrair apenas aspectos, sem abordar tarefas ASTE. Este trabalho tem como objetivo desenvolver um framework baseado em Deep Learning para executar a tarefa de Aspect Sentiment Triplet Extraction em português e espanhol. O framework usa o BERT como um codificador de frase de consciência de contexto, várias camadas paralelas não lineares obtêm as representações dos aspectos e as opiniões e uma camada Graph Attention junto com um scorer não linear determina a dependência de sentimento entre cada par aspecto-opinião. Os resultados mostram que nosso framework proposto supera significativamente as linhas de base em português-espanhol e é competitiva com suas contrapartes em inglês.