论文阅读 Aspect Based Sentiment Analysis with Gated Convolutional Networks
Aspect Based Sentiment Analysis with Gated Convolutional Networks
Abstract
把细粒度情感分析分为两种，ACSA（给定一系列aspect，判断句子对aspect的情感极性）和ATSA（对句子中出现的taget，判断句子对target的情感极性）。之前的方法大多数使用LSTM和attention，模型复杂训练时间长。文章提出一个基于CNN和门机制的模型，模型更加简单，而且能并行运行。
Gated Convolutional Network with Aspect Embedding
每个卷积过滤器会以不同粒度从embedding vector中提取n-gram特征。普通CNN的提取过程是这样的
对每个过滤器，最大池化层取出最大值的特征，最终得到固定大小的vector，大小等于filter数。
可以看到模型架构如图，两个CNN，对应两个门，其中一个额外接受aspect embedding的信息，最后过最大池化后果softmax进行分类。
其中va就是给定的aspect embedding，可以看到相当于两个CNN分别来提取情感特征和句子aspect特征
最后损失函数是交叉熵
对于ATSA问题，就在该模型的基础上多加了一个CNN用来提取target terms的信息，以往的工作中往往就是词向量相加去平均
实验
在SemEval2014数据集上，还把里面特别难的（含多个target多个情感极性）的句子单独构建了一个Hard数据集
数据集规模如下
结果如下