NLP论文（情感分析）：《Aspect Based Sentiment Analysis with Self-Attention and Gated Convolutional Networks》 笔

论文

NLP论文笔记合集（持续更新）

原论文：《Aspect Based Sentiment Analysis with Self-Attention and Gated Convolutional Networks》

介绍

2020年10月16日至18日会议发表的文章

模型结构

文章翻译

Abstract

aspect-based 情感分析（Aspect based sentiment analysis，ABSA）是一项细粒度的情感分析任务，其主要目标是识别句子中体的情感极性。一个句子可能包含许多不同的 aspect，每个 aspect 都可能有不同的情感极性。根据目前在这一领域的研究，ABSA可分为两个子任务：aspect-category 情感分析（aspect-category sentiment analysis，ACSA）和 aspect-term 情感分析（aspect-term sentiment analysis，ATSA）。在过去，更常用的方法是采用时间序列算法，如长短时记忆（LSTM）或循环神经网络（RNN），这通常需要更多的训练时间和复杂的结构。此外，许多以前的模型缺乏有效学习句子内部结构特征的能力。对于ABSA，有时句子结构可能会显著影响最终分类结果。然而，我们在其他相关研究中发现了 self-attention 算法和门控机制的优异性能。因此，为了解决上述问题，我们结合卷积神经网络（CNN）和自我注意机制，构建了一个基于门控机制的新模型。首先，我们使用 self-attention 提取输入的结构特征，并将其与CNN提取的原始句子特征相结合。在此基础上，进一步结合输入句子的 aspect-category 或 aspect-term，形成最终的情感特征。在SemEval数据集上的实验表明了模型的性能，并证明了模型的有效性。

V. CONCLUSION

针对ABSA任务，提出了一种结合 self-attention 机制和门控机制的高效卷积神经网络。self-attention 可以帮助模型更有效地学习句子的结构特征，这对ABSA任务有很大的帮助。通过对SemEval数据集的实验，我们证明了与其他模型相比，该模型的性能有所提高。我们将试图找出造成这种结果的原因，以及进一步提高性能的方法。

相关视频

相关的笔记

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API