Majority是一种基本的基线方法,它将训练集中最大的情感极性分配给测试集中的每个样本。
LSTM使用一个LSTM网络对上下文进行建模,并将所有隐藏状态的平均值用作最终表示来估计情绪概率。
TD-LSTM采用两个LSTM网络分别为目标和右上下文建模左上下文。左右目标依赖表示被连接以预测目标的情感极性(Tang等,2016a)。
AE-LSTM首先通过LSTM网络对上下文词进行建模,然后将隐藏状态一词与方面嵌入相结合,以生成注意向量(Wang et al。,2016)。
ATAE-LSTM是基于AE-LSTM开发的。ATAE-LSTM将方面嵌入与每个单词嵌入向量相结合来表示上下文(Wang et al。,2016)。
AF-LSTM学会根据句子词和方面之间的关联关系参加(Tay et al。,2018)。
IAN交互式地学习上下文和目标中的注意力,并分别生成目标和上下文的表示(Ma et al。,2017)。
MemNet多次应用注意,并将最后一层注意力的输出馈送到softmax进行预测(Tang等,2016b)。