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

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