Aspect-based sentiment analysis with alternating coattention
networks
目錄

• introduction
• method
• experiments
• conclusion and future work

introduction

ABSA任務包括兩個子任務:方面檢測和情感分析。
Coattention-LSTM
Coattention-MemNet
Location-enhanced coattention

method

an overview of coattention networks

Coattention-LSTM:

context and target encoder:

coattention encoder:

coattention encoder:


Coattention-Memnet:
context and target encoder:

coattention encoder:


sentiment analysis:
與共Coattention- LSTM相似，使用softmax層作為分類器，交叉熵函式作為損失函式。

Location-enhance coattention:
Great food but the service was dreadful!

experiments

資料集：SemEval 2014 和 Twitter

評價指標：
結果:

conclusion and future work

由於我們的方法使用LSTM或單詞嵌入層來表示單詞，注意只是一個加權和函式，因此很難學習到否定修飾詞與隱含的情感短語之間的複雜關係。因此，我們需要改進LSTM或attention，使網路學習上下文詞之間的複雜關係，或將注意層的結果以非線性的方式對映到分類空間。
在未來的工作中，作者計劃設計一個上下文學習函式來捕捉區域性上下文單詞之間的關係，該關係的複雜度在單詞嵌入和LSTM之間。我們還將考慮在網路中加入外部知識來解決否定修飾詞建模和識別未知情緒詞和短語的問題。