【论文笔记】Aspect-level Sentiment Analysis using AS-Capsules

本文在RNN-Capsule的基础上设计了AS-Capsules模型，用于Aspect-level情感分类。RNN-Capsule的每个胶囊对应不同sentiment category，AS-Capsule的每个胶囊对应不同aspect category。
Aspect-level情感分类一般分为两个步骤，首先确定一段文本里有几个aspect，然后再判断每个aspect的情感极性，这样会不可避免地造成错误的叠加。事实上，情感分类和aspect分类是紧密联系的。本文的模型充分考虑到了这一点，通过共享多个模块使得不同胶囊之间可以进行信息交流，取得了不错的效果。

模型结构

模型包括：

• an attribute：aspect category。
• a state：分为“active”和“inactive”，取决于aspect probability。训练时，当某一aspect出现在输入文本即为active；测试时当aspect probability大于0.5时设为active。
• a capsule embedding：训练中学习到的胶囊的向量表示。
• four modules：aspect representation module、 aspect probability module、sentiment representation module、和sentiment distribution module。

文本先由RNN编码成向量，再输入到代表不同aspect的capsule中处理，最后输入到Analyzer中。Analyzer是指训练目标策略，它能够利用aspect detection和aspect-level 情感分类之间的相关性来提高性能。
单个胶囊结构：

每个胶囊由以下四个模块组成：

• aspect representation module ：学习 aspect 向量表示 $r_a$。
• aspect probability module： 基于$r_a$