NLP————目标情感分析(TSA任务)

TSA任务介绍

目标情感分析任务（Targeted Sentiment Analysis, TSA）旨在提取目标实体并对其进行情感分类。因此可以理解为命名实体识别（NER）和情感分析（SA）两个任务的联合学习。例如，给出一句“ESPN调查显示迈克尔乔丹是最伟大的篮球运动员”，检测目标是ESPN和迈克尔乔丹，他们的情绪类别分别为中性和正面。最近的一些工作试图联合学习这两项任务，看成序列标注问题，其中B/I/O表示目标的边界，Positive/Neutral/Negative标签表示情感分类 (Klinger and Cimiano, 2013; Yang and Cardie, 2013)。随着词嵌入（word embedding）引入NLP领域，多种神经网络模型被用来处理序列标注问题，有人通过词嵌入来丰富特征并训练神经网络模型来解决TSA问题，这是当前较为流行的方法。但是在长距离依赖性和字符级特征角度来说，以上方法并没有充分考虑。因此下面介绍一个来自EMNLP 2018的方法---hierarchical multi-layer bidi- rectional gated recurrent units（HMBi-GRU）。

HMBi-GRU

这个方法考虑了word和character两个层面的embedding特征，来探索字符级特征和高级语义特征，从而建立二者之间的长距离依赖。除了特征之外，此方法充分利用了实体和情感之间的边界信息：目标的边界信息（B，I）标签和情感标签是一样的。例如上面的例子中，Michael Jordon的目标标签和情感标签是“B-Person，I-Person”和“B-Positive，I-Positive”，通过这种方式，模型可以在预测情绪