《Deep Learning for Aspect-Based Sentiment Analysis》阅读笔记

一、Model

这篇文章采用两部分进行方面级情感分析，一个部分用来寻找 EA对；一个用来进行情感极性的分析

1、aspect model

两层神经网络，全连接+softmax ，最后的输出是19种方面的概率分布值。在进行实验前，先做的处理是对方面个数进行降维，对于出现频率较少的实体直接标记为other。

2、sentiment model

使用递归神经网络进行情感分析较为合适。因为现在的消极表达，更倾向于将积极词语否定来表达，而不是仅仅使用否定词进行情感态度的表达。但是并未对输入数据在递归树的节点上面进行标注，所以不适合RNTN的输入数据的表达。本文选用的是CNN，因为它的输入只需要在句子层面。

3、aspect based sentiment model

利用CNN 进行句子级的分类效果较好，但是当一个句子中包含多种情感极性时，效果就会下降。CNN的结果受句子的向量维度影响较大。如果在所有的维度进行一个降维，那最大池化层的作用将会被改变。由此得到的启发是，将aspect和sentiment结合起来。而对于对词向量维数的缩减，则根据对于给定的aspect的维度进行调整。

一个句子首先输入到aspect model里面，然后输出top-k个aspect；利用Stanford corenlp得到解析树。没两个词之间的距离都使用解析树进行计算