文献阅读：A Method of Sentiment Classification for Chinese Aspect Level Based on Information Fusion

大家好！我是研一小白梨，这篇博客严格意义上来讲并不算一篇文献分享，因为初读文献，我的知识储备还比较少，期待能和大家一起探寻NLP的奥秘，若有不足之处还请各路大佬批评指正！

题目：基于信息融合的汉语方面级情感分类方法

 ABSC（方面级情感分类）：识别文本数据中特定方面的情感极性。

针对于ABSC任务，微调预训练模型PTM是优于基于语法的方法的。

（现有的ABSA：1.基于上下文的方法：CNN和RNN+注意力机制进行捕获；2.基于语法的方法：GCN，也就是对句子进行建模，建立语法依赖树捕获依赖关系，通过改进GCN模型，现有GCN模型也会关注：①句法依赖关系、依赖类型；②语义依赖关系、词间依赖关系、位置关系、中心方面词和其他方面词的关系；③多个方面之间的交互依赖。在句法和语法依赖关系中其实也隐含着它关注上下文的信息。）

文章提出了一种微调预训练模型，在模型中考虑：①上下文信息（整体—局部）；②意见词信息（观点词）；③提示信息。使模型可以捕获方面之间的复杂关系和相应的情感表达，预测方面的情感极性。 该模型在中文数据集hotel review text in chinese上优于之前的SOTA model（LCF-ATPE），但在英文数据集上的结果并没有中文数据集上那么好。

BERT是NLP中最流行的预训练PTM架构，①其变体RoBERTa被广泛用于微调ABSC任务中；②其变体ERNIE整合来自不同预训练任务的知识，并利用更细粒度的知识，增强了捕捉微妙语义关系的能力。文章选用ERNIE。

提示学习方法——推进了NLP微调的范式。

方法介绍

①方面标记——Aspect tokens——利用意见词信息

②句子标记——ELS——利用上下文信息

③提示模板标记——MASK——利用提示信息

 W为分配的可学习权重。

最后将信息相加导入前馈神经网络分类器进行预测。

实验数据集

中文：①CDMTSC；② LCF-ATEPC。

英文： SemEval  2014 Task 4 Sub Task 2 dataset。

损失函数：

优化器

AdamW优化器

结果

我下一步要做的事情：

1.BERT+RoBERTa+ERINE(CLS+MASK)；

2.LCF+LSA;

3.LOSS+AdamW。