#Paper Reading# Mining Aspect-Specific Opinion using a Holistic Lifelong Topic Model

论文题目：Mining Aspect-Specific Opinion using a Holistic Lifelong Topic Model
论文地址：http://dl.acm.org/citation.cfm?id=2883086

论文大体内容：
本文提出JAST(Joint Aspectbased Sentiment Topic)模型，进行对文本观点进行细粒度的挖掘，同时，使用了Lifelong的思想，将JAST改进为LAST(Lifelong Aspectbased Sentiment Topic)，并超过其它state-of-the-art水平的baseline。

1、aspect级别的观点挖掘包含4个模块：（如句子: The screen is very clear and great.）
①aspect抽取：screen是一个aspect；
②观点识别：clear,great是观点；
③观点正负分类：clear,great是积极的观点；
④general和aspect级别的观点分离：clear是专门描述screen的aspect观点，而great是general观点；

2、作者提出JAST模型进行aspect级别(细粒度)的观点挖掘，如下图。

3、但通过分析，发现JAST的主要问题是常分不清general和aspect的观点词。如对于笔记本电脑，smooth是screen的aspect观点，但并不是所有笔记本电脑都是触摸屏的，所以对于topic model来说，它依赖的是词的共现，这种因为词的共现度低而造成aspect观点抽取不出的问题，topic model本身并不能解决。

4、这个时候就可以加入lifelong的思想，使用lifelong解决(在一个dataset中共现度低，但在多个dataset中，能够积累起来)。

5、LAST模型的算法如下图(实际就是JAST+Lifelong)。里面包括：
①使用SKL(Symmetrised KL Divergence)判断aspect的相似度，将很不相似的aspect不参与互学习；
②knowledge的存储；
③knowledge的挖掘，包括3类knowledge，分别是aspect-opinion，aspect-aspect，opinion-opinion；
④knowledge的使用，先过滤掉包含JAST模型生成的general观点词的knowledge；

6、本文将6个模型进行实验对比：
①LDA[1]；
②ASUM[2]：Aspect and Sentiment Unification Model，整合aspect和sentiment，以通过不同的aspect来生成sentiment；
③ASUM-L：对ASUM的改进，增加观点的词典来提升ASUM的效果；
④JAST；
⑤JAST-S：JAST的半监督模型，使用了最大熵分类器；
⑥LAST；

7、dataset：Amazon 50个商品的各1000个评论。

8、参数设定：α=0.1，β=0.01，γ=1，主题数15，1000次迭代。

9、评测方法：
①topic coherenct；
②precision@5，precision@10；
③specificity，评测top10主题词中aspect观点的比例；
P.S. ②③都是需要人工评测生成的主题词。
实验后评测发现比baseline好，而且LAST是比JAST好的。

10、思考：
一个dataset效果不够，需要多个dataset的知识积累的，就使用Lifelong思想吧。

参考资料：
[1]、http://www.jmlr.org/papers/v3/blei03a.html
[2]、http://dl.acm.org/citation.cfm?id=1935932

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！