Aspect Based Sentiment Analysis with Gated Convolutional Networks
Abstract
把細粒度情感分析分爲兩種，ACSA（給定一系列aspect，判斷句子對aspect的情感極性）和ATSA（對句子中出現的taget，判斷句子對target的情感極性）。之前的方法大多數使用LSTM和attention，模型複雜訓練時間長。文章提出一個基於CNN和門機制的模型，模型更加簡單，而且能並行運行。
Gated Convolutional Network with Aspect Embedding
每個卷積過濾器會以不同粒度從embedding vector中提取n-gram特徵。普通CNN的提取過程是這樣的
對每個過濾器，最大池化層取出最大值的特徵，最終得到固定大小的vector，大小等於filter數。
可以看到模型架構如圖，兩個CNN，對應兩個門，其中一個額外接受aspect embedding的信息，最後過最大池化後果softmax進行分類。
其中va就是給定的aspect embedding，可以看到相當於兩個CNN分別來提取情感特徵和句子aspect特徵
最後損失函數是交叉熵
對於ATSA問題，就在該模型的基礎上多加了一個CNN用來提取target terms的信息，以往的工作中往往就是詞向量相加去平均
實驗
在SemEval2014數據集上，還把裏面特別難的（含多個target多個情感極性）的句子單獨構建了一個Hard數據集
數據集規模如下
結果如下
