NLP论文（情感分析）：《Aspect-Oriented Sentiment Classification using BiGRU-CNN model》 笔记

论文

NLP论文笔记合集（持续更新）

原论文：《Aspect-Oriented Sentiment Classification using BiGRU-CNN model》

介绍

2021年04月08日至10日会议发表的文章

模型结构

文章翻译

Abstract

互联网上的人们产生了大量的评论数据，以分享他们对日常生活中的产品和服务的看法，其中包括巨大的商业价值。对于这些评论句，它们往往包括几个评论方面，而这些方面的情感各不相同，使得句子的整体意义对两极分化毫无意义。aspect 级情感分类的目的是识别目标在语境中的情感极限。深度学习正朝着一个日益成熟的方向发展，利用深度学习方法来检测情感也变得越来越流行。将卷积神经网络和双向门控循环单元相结合，提出了一种情感分类模型。双向门控循环单元类似于长-短期记忆，是一种处理复杂度较低的时间循环神经网络。该模型首先通过双向门控循环单元提取文本的序列特征，然后通过卷积神经网络提取文本的局部静态特征。最后，使用Sigmoid分类器进行最终的情感分类。

V. CONCLUSION

深度学习在 aspect-based 情感分析领域取得了巨大进展，这将使各种应用空间能够从模型中获得的信息中获益。深入学习应是在改进该领域的过程中开拓进取的方法。在任何情况下，大多数神经模型实际上学习在句子中表达的情感。对于可验证的情感表达，例如，不协调、深刻思考、良好判断等等，新的神经网络无法正确地获得它们，这对人们来说并不困难。此外，这些模型受到信息量的极大影响。基于CNN和双向长短期记忆网络各自的特点，提出了一种结合CNN和BiGRU网络的BiGRU-CNN模型，并将其应用于笔记本电脑和餐馆评论的情感检测领域。该模型充分考虑了CNN在捕获文本局部特征和BiGRU网络在捕获文本全局特征，甚至文本意义上的信息方面的优势，并有效地导出了文本特征。本文涉及到逐步的理论分析，如计算卷积和BiGRU。还研究了各种标准的机器学习技术。根据我们的研究，BiGRU CNN算法模型对情感分类有更大的影响。沿着这些路线，在这一领域还需要深入学习。我们相信，这一概述可以让研究者理解以深度学习为导向的程序的重要部分，特别是利用BiGRU CNN实现卓越的结果，解释最显著的进展，并阐明现有问题。该模型的未来工作是减少其较长的训练时间，因为与CNN一起使用GRU在计算上非常高成本的。此外，CNN中所有隐藏状态的实现都无法突出句子中的单词序列。

相关的笔记

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API