论文

NLP论文笔记合集（持续更新）

原论文：《Aspect Detection and Sentiment Classification Using Deep Neural Network for Indonesian Aspect-Based Sentiment Analysis》

介绍

2018年11月15日至17日会议发表的文章

模型结构

文章翻译

Abstract

情绪分析可以对句子或文档中的总体观点进行分类。然而，在一句话的陈述中，有多个观点的句子。Aspect Based Sentiment Analysis（ABSA）解决了这一问题。我们使用印度尼西亚数据集进行了实验，实验过程分为两步：Aspect 检测和情感分类。在 Aspect 检测方面，我们比较了两种具有不同输入向量和拓扑结构的深度神经网络模型：使用门控循环单元（GRU）处理的 word embedding 向量和使用全连接层处理的词袋模型（bag-of-words）向量。在情感分类方面，我们还比较了两种深度神经网络方法。第一种方法使用 word embedding、情感词典和词性标签作为输入向量，使用基于 bi-GRU 的拓扑结构。第二种方法是利用纵横比矩阵对 word embedding 向量进行重缩放作为输入向量，采用基于卷积神经网络（CNN）的拓扑结构。我们的工作与基线框架进行了比较，基线框架在每个方面使用不同的模型。该数据集收集了约9800条评论，这些评论来自印度尼西亚热门在线市场的不同类别。与基线框架相比，我们的模型在所有方面都具有良好的通用性，并且在7个方面中的4个方面实现了最先进的性能。

VI. CONCLUSION

在本文中，我们提出了两种不同的方法来解决 aspect-based 情绪分析。第一种是使用深度神经网络进行文本分类的最新技术，用于 aspect-based 情感分析的两个模块：aspect 检测和情感分类。第二种是利用 aspect 矩阵对输入句子的词向量进行重缩放，aspect 矩阵是在词袋模型输入层中使用 dense layer 生成的。与之前使用支持向量机和基于规则的方法对印度尼西亚 aspect-based 情绪分析进行的研究相比，这两种方法都获得了具有竞争力的结果[7]。

从我们的实验中，我们得出以下结论。GRU层的 aspect 检测性能优于完全连接层。aspect 检测的额外输出是一个矩阵，表示给定 aspect 的每个单词的概率。与一般的 word embedding 方法相比，使用 aspect 模型生成 aspect 矩阵具有更好的性能。根据所分析的一些词，aspect 矩阵可以很好地区分有着不同 target aspect 的同一句话。尽管基于CNN的情感分类可以从 aspect 矩阵中获益，但基于GRU的情感分类通过使用情感词汇和词性标记等衍生特征仍然更好。

根据我们的评估，我们的模型在7个方面中的4个方面实现了最先进的性能。与Fachrina和Widyantoro[7]相比，Fachrina和Widyantoro[7]对每个方面使用不同的模型，我们的模型可以很好地在数据集的所有 aspect 上得到通用。

相关视频

相关的笔记

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API