《Aspect Level Sentiment Classification with Deep Memory Network》,《Memory Network》阅读笔记

Abstract

这篇文章是介绍的是使用Deep Memory Network在aspect level上做情感分类。与feature-based SVM,LSTM这些模型不同的是,在推断每个aspect时,模型可以明确地捕捉到每个上下文单词的重要性。这个重要的程度和文本的表示时通过多层计算的,每一层都是基于external memory的attention神经网络模型。通过在laptop和restaurant两个数据集的实验,作者提出的模型的性能优于feature based SVM,LSTM,attention-based LSTM等模型。同时,这个模型的速度更快。


Task Definition

这篇文章的任务是对句子中出现的aspect进行情感分类。在同一个句子中,不同的aspect的情感分类是有可能不同的,举个例子:‘great food but he service was dreadful!’,对于‘food’这个aspect,它的情感是积极的,而对于‘service’这个aspect,它的情感是消极的。
针对这类问题,已经有很多学者做出了研究,包括feature-base SVM,深度神经网络等等。尽管这些模型有各自的优点,但像传统的LSTM是以一种不明确的或是不好解释的方式来捕捉上下文的信息,而且LSTM捕捉上下文的步长是有限的。还有一点就是,传统的LSTM是以一种顺序地方式来工作的,并且对于每一个上下文单词都是进行相同的操作,这样就不能明确地显示每个上下文单词的重要性。但是在真实的语境中,比如给一句话给人类让他对其中的一个aspect进行情感分类,其只需要只需要一句话中的某些重要单词就可以完成这个任务。模拟这个过程,这篇文章提出了使用deep memory network在aspect level做情感分类,在这个模型中使用了Attention Mechanism和Explicit Memory。


Model

这篇文章采用的模型是由一个多层的共享参数的computational layers构成。每一层都是基于上下文和位置Attention的模型, 它可以为每一个上下文单词学习到一个权重,并且利用这些信息来计算text representation。最后一层输出的text representation作为进行情感判断的特征。在这个模型中的每一个部分都是可微的,所以可以使用梯度下降的方式进行训练,损失函数采用的cross-entropy。


这篇文章比较吸引我的是采用了Memory Network,所以这里就简单的讲一下相关的工作。另外还有一篇文章,是将基于Attention机制的Aspect情感分类,如果你们感兴趣,可以去找《Attention-based LSTM for Aspect-level Sentiment Classification》这篇文章。
Memory Network最开始是由Facebook提出来的,随后又提出了End-to-End Memory Network。之所以要提出memory network,是因为,大多数机器学习的模型都缺乏可以读取和写入外部知识的组件。虽然LSTM可以捕捉到上下文,但是它的步长有限,当用于QA时,它的记忆相对来说比较少,不能精确地记住过去的事实。
Facebook 的Jason Weston等人提出的这个框架,是通过引入长期记忆(long-term memory component)来解决神经网络长程记忆困难的问题。基于该框架构造的模型可以拥有长期(大量)和易于读写的记忆。这个框架由五个部分组成:

  • 记忆M:模型记忆的表示,由一个记忆槽列表[ mimj ]组成,可被G,O组件读写
  • 组件I(input feature map):将模型输入转化成模型内部特征空间中的特征表示
  • 组件G(generalization):在模型获取新输入时更新记忆m,可以理解为记忆存储
  • 组件O(output feature map):根据模型输入和记忆m输出对应与模型内部特征空间中的特征表示,可以理解为读取记忆
  • 组件R(response):将O组件输出的内部特征空间的表示转化为特定格式,可以理解为将读取到的抽象的记忆转为具象的表示

在这里,将举一个例子来说明memory network在QA中的工作流程:
输入:一系列句子:{ S1,S2,...,Sn }和question q
任务为:根据这些sentence得到q得答案
STEPS:

  1. I每次读一个句子
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值