科研训练第九周——关于两篇基于GCN的ABSC任务论文阅读

大概是下载错了文章结果实验中的论文误读成了第二篇的😅

《Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks》阅读笔记

ABSC任务:本文针对的任务是对于(Sentence,aspect)做极性预测

Motivation

  • 单纯基于Attention机制的的ABSC在捕捉aspect的极性的时候,容易错误地关注上下文信息

Its size is ideal and the weight is acceptable.Attention机制可能会将size和acceptable关联在一起

  • 单纯基于CNN机制的ABSC在捕捉aspect极性的时候,不足以确定由不相邻的多个词所描述的情绪

The staff should be a liitle more friendly.CNN将staff和more friendly关联在一起,而忽视了should be的信息

为了更好地解决上面的两个问题,本文提出了基于GCN的图卷积神经网络模型

Introduction

GCN:
GCN具有多层架构,每一层都使用近邻的特征来编码和更新图中节点的表示。通过参考语法依赖树,GCN有可能将与语法相关的词绘制到目标方面,并利用具有GCN层的长程多词关系和语法信息.

解决的主要问题:

  • 利用依赖树解决了长程的多词依赖问题
  • 第一次将GCN运用于ABSC任务
  • 取得了有效的结果(客套)

Model

贴一篇关于这篇论文阅读的博客
在这里插入图片描述

这一篇和上一篇总框架相似

因为找论文的时候看参考文献看错了,所以读了这篇,虽然和上一篇思路差不多,但是论文用的源码不是这一篇的555,(虽然也不算亏🤣

Introduction

  • 首先本文要解决的两个任务:
    (1)抽取出句子中的aspect
    (2)对于特定aspect分析其情感极性pos,neg,neu
  • 本文发现:利用依存句法树可以有效缩短上下文之间aspect和opinion的距离
  • 本文的方法:利用图卷积网络对于句子进行建模(其中结点的embedding表示利用了Bi-LSTM的embedding初始化)

Model

在这里插入图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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