论文阅读准备

前期知识储备

在这里插入图片描述

学习目标

在这里插入图片描述

论文导读

论文研究背景、成果及意义

在这里插入图片描述
粗粒度的情感分类问题，左边是一个个句子，右边是句子多对应的积极或消极。
传统的情感分析(SA)主要是面向文档或句子，也就是文档层面的情感分类(document-level sentiment classification)，这种粗粒度的分类只考虑文档整体的情感倾向性(sentiment polarity)，在现实应用中是不够用的。
Aspect和Target
Aspect level task，认为句子中包含更加细粒度的aspect，这些aspect里面包含不同句子的属性。例如：

这件衣服款式挺漂亮的，但是尺码也太小了吧！

方面词可能会出现在句子里面，也有可能不出现在句子里面，Target是一定出现在句子里面。
SemEval-2014数据集
http://alt.qcri.org/semeval2014/task4
在这里插入图片描述

1.aspect抽取(aspect term extraction);
2.判断aspect上的情感倾向(aspect term polarity);
3.判断aspect所属的范畴(aspect category detection);
4.判断aspect category上的情感倾向
句子+此句子确定的属性类别，判断情感极性。
Attention种类

论文泛读

论文结构

在这里插入图片描述

摘要—AT-LSTM

本文将attention与lstm结合在一起，通过attention去获取对不同aspect更重要的上下文信息，来解决aspect level情感分析问题，SemEval 2014数据集进行了实验，结果表明模型在aspect-level 的情感分类上达到了最先进的性能。

摘要—TD-LSTM

文章主要针对依赖于目标的情感分类问题，在标准LSTM的基础上，提出Target-Dependent Long Short-Term Memory (TD-LSTM)和Target-Connection Long Short-Term Memory(TC-LSTM)两个模型，实验结果表明这两种模型相对basic lstm都有较大提升，后者提升更多；
与aspect level 情感分析类似，对于target-dependent情感分析来说，主要问题就是将target-dependent和相应的context words的语义信息结合起来，由此推断不同上下文对判断不同的target的情感倾向的影响，以分析相应target的情感倾向。

论文精读

论文算法模型总览

在这里插入图片描述

LSTM

在这里插入图片描述
target words在数据集中已经标注好，lstm不区分target words，和其他词一样，都输入到lstm中。

论文算法模型细节

论文一

TD-LSTM

在这里插入图片描述
【例】

target words之间的内容既经过了前向的特征提取以及后向的特征提取，在语义信息提取上比其他的地方会更多一些。作者在论文中提到将target设为lstm的最后一个时刻的输入，能更充分的利用target的语义信息。
在这里插入图片描述

TC-LSTM

在这里插入图片描述
【例】

将target words的上下文信息利用起来，并且还将target words的信息也利用起来。

论文二

aspect-level与target是比较相似的，target是在句子中肯定会出现的，它相当于是aspect-level的一个子集，aspect-level有的会在句子中出现，有的不会在句子中出现。

AT-LSTM

在这里插入图片描述
AspectEmbedding没有经过lstm，而是加在了hidden上面，其实AspectEmbedding没有顺序的关系，因此直接加到上面是没有太大影响的。
公式如下图：

ATAE-LSTM

在这里插入图片描述
Aspect Embedding重复利用了两遍，LSTM是具有顺序的关系，下面的Aspect Embedding输入到lstm是有一定的顺序的关系，会提取到顺序的信息，但不一定有意义，下面的Aspect Embedding经过lstm后可能会有一部分的信息会丢失，因此在上面又拼接了Aspect Embedding，有点像残差网络。