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