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