The link of paper:  InteractiveAttentionNetworksforAspect-LevelSentimentClassification

Source:  2017IJCAI

Task: aspect level sentiment classification

Author: Jasminexjf

Time: 2019-06-24

参考：https://www.jianshu.com/p/0c9d987141b6

一、前言 introduction

《Interactive Attention Networks for Aspect-Level Sentiment Classification》，这篇论文大致是讲利用attention机制将target和context联系起来，用于多层次语义分类。

多层次语义情感分类的解释是，如：

a group of friendly staff, the pizza is not bad, but the beef cubes are not worth the money!

这句话里，对staff，pizza, beef的情感是不同的，一句话里面的情感是多层次的。这三个名词都是target,这段话上下文就是是指context.

因此本文认为Aspect-level的情感分类任务中，target与context应该具有交互性，即context应该是target-specific的，target也应该是context-specific的，传统模型中将二者分开建模或只针对其一，本文利用attention实现二者交互。

Itroduction里面提到有些传统的做法，比如词袋，情感词库，SVM...这些方法都很容易遇到瓶颈，现在的做法一般都是利用深度学习进行多层次语义分析。

2011年的一篇论文解释了为何传统的方法会遇到很大的瓶颈（40% errors）,主要是因为之前的方法都没有有效的利用target信息。之后就有大量论文关注target的作用，但是这些论文都忽视了target与context的相互之间的关系。

作者的观点是：In our opinion, only the coordination of targets and their contexts can really enhance the performance of sentiment classification.

例子：

“The picture quality is clear-cut but the battery life is too short“

“Short fat noodle spoon, relatively deep some curva”

很显然，在上个context上下文short对于target battery是负面的，下面一个context上下文中，short对于target spoon是中性的.

所以结合short与具体的context的关系才能得到正确的语义情感分类。

 

那么，应该如何建模？

1. target和形容它的context其实是可以互相推理interative inference 的，所以两种虽然建模可以分开，但是模型学习的时候是通过两者之间的交互关系来学习的。
2. target和context不止一个单词，比如target: "picture quality"和context: "clear-cut"。这里的picture的重要度比quality重要，涉及到不同权重，自然而然就引入了attention机制。这篇论文也是第一个提出要将target与context分别计算attention weights的。并且不同的target对于相同的形容词的情感极性是不同的，所以target与context的关联也很重要。

二、模型model

                              

从框架图分析论文设计的IAN模型的构造，target和context两方面分别输入相应的word embeddings,再将word embeddings的结果输入到LSTM网络中，获得隐藏层输出，再利用target和context隐藏层的输出平均值，结合attetion机制，生成attention weights. 最终target attention weights和context attention weights串联起来作为softmax函数的输入，得到分类结果。

1. word embedding

本文的word embedding采用的是预先训练好的词向量，一般是采用大语料库进行训练得到的初始词向量作为初始向量，然后在后续的训练过程中进行fine-tune.
2. LSTM

                  

3. 得到初始的target和context表示

方法就是平均所有的隐藏层数值：

                       

4. attention 机制

                     

其中，cr和tr就是target和context的最终向量表示

5. softmax分类器

先将cr和tr串联，然后加权和输入tanh,再将结果输入softmax,根据概率最大的得出属于的情感倾向：

                        

6.模型训练

模型训练需要训练的参数包括LSTM的参数，attention中分数函数的[Wa,ba], [Wt,bt ]softmax层的 [Wl,bl]和word embedding.

损失函数用的是带L2正则项的交叉熵函数。

                                        

然后反向传播开始训练, 为防止过拟合，使用dropout.

三、实验

IA方法与之前的几种方法对比，效果提升明显

                          

超参数设置：

                  

四、实际案例分析：

sentence：the fish is fresh but the variety of fish is noting out of ordinary.

这句话有两个target "fish"和"variety of fish"

下图展示了IAN计算的target与context对应的attention weights:

颜色越深的attention weights值越大，可以看出：

1. 介词，连接词等attention weights小
2. 不同的target对应的context AW不同，对应正确
3. context能反过来对target的词的AW产生影响，比如variety的AW就比较高

last

 

之后有一篇论文比这篇效果更好《Aspect Level Sentiment Classification with Deep Memory Network》，原因可能是它用了多次hop,提取到了更抽象的内容，本篇论文只做了一次attention,学习到的东西有限。