提示1:原文链接 提示2:代码链接
前言
??本篇博客主要是对《Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree》进行了泛读,并对其进行了简单地记录,以帮助大家快速了解此篇论文的要点。
一、论文信息
- 论文名:《Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree》
- 作者:Kai Sun, Richong Zhang, Samuel Mensah, Yongyi Mao, Xudong Liu.
- 领域:ABSA
- 关键词:ABSA、Convolution 、Dependency Tree
- 发表年份:2019
- 会议/期刊名:EMNLP
二、笔记要点
1.1 存在的问题
??基于神经网络(先前)的方法忽略了信息资源,例如能够缩短aspect和opinion词之间距离的依赖树,从而能够在冗长的句子中有效地保留依赖信息。
2.2 本文方法和创新点
??提出了依赖树(CDT)模型的卷积,该模型利用双向长短期记忆(Bi-LSTM)来学习句子特征的表示,并通过图卷积网络进一步增强嵌入(GCN) 直接对句子的依赖树进行操作。
2.3 模型结构
??这里的模型结构与 ABSA论文泛读 03 的模型结构类似,不同的是去除了Attention机制,加入了平均池化,模型结构如下所示,详细内容请查看原文。
2.4 实验效果提升
??在Rest14、Laptop14 、Rest16、Twitter四个数据集上进行实验,并和其他基准模型进行效果对比,实验证明我们的方法是基于方面的情感分类的最好方法。
2.5 总结和思考
??本文作者发现CDT的体系结构允许BiLSTM解释连续单词之间的上下文信息,而GCN通过沿依赖树的语法路径建模依赖关系来增强嵌入,然后针对这个想法进行了验证,最终证明了方法的可行性。
总结
??以上就是本篇博客的全部内容了,希望对你有所帮助。
|