2017emnlp---Document-Level Multi-Aspect Sentiment Classification as Machine Comprehension阅读笔记

The code and data for this paper are available at https://github.com/HKUST-KnowComp/DMSCMC 

Abstract 

文档级别的多aspact情感分类对于顾客关系管理是一个重要的任务，在我们的论文中，我们将任务建模为机器理解问题, 其中伪 question-answer 对是由少数aspect相关的关键字和aspect评分构造的。提出了一种分层迭代注意模型, 通过文档和方面问题之间的频繁重复交互来构建 aspect-specific 表示。我们采用层次结构来表示单词级别和句子级别信息, 并使用the attention operations 或者the multiple hop mechanism 来处理aspect问题和文档。TripAdvisor 和 BeerAdvocate 数据集的实验结果表明, 我们的模型优于经典基准。

 

Introduction 

仅仅预测文本情感通常是不够的，因为一个评论文本通常涉及产品和服务的不同方面，如下所示，并且用户比起aspect的评估更喜欢提供整体的评估，因此，文本级别的多aspect情感分类任务很有意义，即预测每个aspect的分数，而不是总体的分数。

1. 一个直观的document-level multi-aspect sentiment classification 方法是多任务学习（Caruana, 1997 ）。
2. 而对于神经网络，我们能够简单的对于每个aspect当作一个分类任务，然后让不同的任务在顶层使用solftmax分类器来抽取task-specific 的表示，同时将输入和隐藏层相互共享提高预测结果相互(Collobert et al., 2011; Luong et al., 2016) 。

   但是，这些方法忽略了aspect本身也具有语义信息。比如说，对于人类而言，如果让我们对一个文本进行aspect评估，我们首先会简单阅读这个文档，然后找到aspect-related的关键词，然后看关键词周围的评论，最后将所有有关的片段统计起来进行判定。

在本文中，我们提出了一个新型的当作机器理解问题