《Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis》笔记

本文主要是介绍《Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis》笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文题目：《Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis》

在这里插入图片描述

首先作者围绕上图总结了下目前细粒度情感分析的一些任务，主要有三个子任务，分别是方面/目标词提取（ATE），意见项提取（OTE），方面/目标项情感分类（ATC），中间层的每个圆圈表示对应的一个直接子任务，与aspect term相连的圆圈"sentiment"是ATC，有许多相关的研究，包括TD-LSTM,IAN,Memnet,RAM等模型都是解决方面/目标项的情感分类，与aspect term相连的圆圈"extract"是ATE，即方面/目标词的提取，另外还有将两个子任务结合成一个复合任务，比如方面项提取与情感分类，先提取方面/目标，再判断其情感极性，方面词提取与意见词提取等等。然后作者认为这些复合任务仍然不足以全面了解情绪，于是提出了方面情感三元组提取任务，简称ASTE，如上图紫色部分，包括方面词提取、意见词提取和情感分类。

在这里插入图片描述

文中提出一两阶段的框架来解决这三元任务，框架图如上。

对于长度为T的给定输入句子 $x={x_1,....,x_T}$ ，ASTE任务是提取情绪三元组（什么，如何，为什么），包括方面/目标（即“ What”），其上的情绪极性（即“ How”），以及引起这种情绪的意见（即“为什么”）。
第一阶段任务是标记出各方面词、情感词、意见词，它建立在两个堆叠的双向双向长期短期记忆网络之上。上半部分基于统一的标记架构生成方面项和情感标记结果。下层对象执行辅助预测指导上层BLSTM。对于意见项标签系统，它建立在BLSTM层和图卷积网络之上，以充分利用句子中的语义和句法信息。对于术语/短语，应将其与某些“观点术语”同时出现。表示情绪的极性。因此，方面信息对提取意见用语是有益的，所以专门设计了一个目标指导模块，以传输方面信息提取观点术语，最后获得许多具有情感极性和观点表达的方面。
第二阶段目标是将各个方面与相应的意见表达方式配对。主要是利用单词距离将一个方面及其观点配对，因此设计了距离嵌入来捕获方面和从第一阶段捕获的观点表达之间的距离。使用BLSTM编码器将句子级上下文编码为方面和意见项，以进行最终分类
总的来说文章引入情感三元组提取任务，通过在两个阶段的框架中将方面提取，方面项情感分类和意见项提取结合在一起，来回答方面是什么，它的情感如何以及为什么一开始就产生情感。第一阶段，通过利用方面和观点术语之间的相互影响，生成具有情感极性和观点特点的术语。第二阶段将正确的方面和见解配对。并通过实验验证了模型的可行性和有效性，并为此任务设定了基准性能。