大概是下载错了文章结果实验中的论文误读成了第二篇的😅
《Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks》阅读笔记
ABSC任务：本文针对的任务是对于（Sentence,aspect）做极性预测
Motivation
- 单纯基于Attention机制的的ABSC在捕捉aspect的极性的时候，容易错误地关注上下文信息
Its size is ideal and the weight is acceptable.Attention机制可能会将size和acceptable关联在一起
- 单纯基于CNN机制的ABSC在捕捉aspect极性的时候，不足以确定由不相邻的多个词所描述的情绪
The staff should be a liitle more friendly.CNN将staff和more friendly关联在一起，而忽视了should be的信息
为了更好地解决上面的两个问题，本文提出了基于GCN的图卷积神经网络模型
Introduction
GCN:
GCN具有多层架构，每一层都使用近邻的特征来编码和更新图中节点的表示。通过参考语法依赖树，GCN有可能将与语法相关的词绘制到目标方面，并利用具有GCN层的长程多词关系和语法信息.
解决的主要问题：
- 利用依赖树解决了长程的多词依赖问题
- 第一次将GCN运用于ABSC任务
- 取得了有效的结果（客套）
Model
贴一篇关于这篇论文阅读的博客
这一篇和上一篇总框架相似
因为找论文的时候看参考文献看错了，所以读了这篇，虽然和上一篇思路差不多，但是论文用的源码不是这一篇的555，（虽然也不算亏🤣
Introduction
- 首先本文要解决的两个任务：
（1）抽取出句子中的aspect
（2）对于特定aspect分析其情感极性pos,neg,neu - 本文发现：利用依存句法树可以有效缩短上下文之间aspect和opinion的距离
- 本文的方法：利用图卷积网络对于句子进行建模（其中结点的embedding表示利用了Bi-LSTM的embedding初始化）
Model
