论文来源：ACL2017 链接：http://www.aclweb.org/anthology/P/P17/P17-1036.pdf
Aspect extraction，现有的方法使用多种主题模型topic models，但是这些方法不能产生一致的aspect(coherent aspect)。本文提出了一个novel neural approach（新颖的神经网络方法），为了发觉连贯的aspect(coherent aspect)。通过神经网络的word embeddings来获取词共现的分布（the distribution of word co-occurrences）。不像主题模型，只使用独立的词，word embedding模型可以使有相似上下文的词在embedding空间中的距离更近。除此之外，使用attention机制在训练的时候来削弱不相关词。本文的方法可以提取出更有意义和相关的aspect。
Aspect提取有两个子任务：（1）提取所有aspect terms （2）aspect terms的聚类，例如beef, pork 都是food类的。
以前的aspect extraction可以分为三种方法：（1）rule-based，经常不将提取的aspect terms分组到具体的类别中（2）有监督的学习：数据标注，收到领域应用的限制。（3）无监督学习避免了数据标注的麻烦。
近些年，LDA(Latent Dirichlet Allocation)和其变形体成为主宰了aspect extraction的无监督学习。LDA模型对主题（aspects）的建模，主题作为词种类的分布。LDA发现的the mixture of aspect可以很好的描述一个corpus，但是单个aspect的提取是很差的---aspect经常包含不相关的词或者很低关联度的concepts。 ～～～可能有两个原因：（1）传统LDA模型不直接encode word co-occurrence 统计，而是优先主题的coherence。（2）隐式的提取patterns，通过文档级别的word generation建模，假设每个词是generated independently。 除此之外，LDA模型是估计每个文档的主题分布，如果文档很短，使得估计主题分布更加困难。
本文的方法：1. 利用word embedding，已经提取了词的上下文信息。 2. 使用attention机制来过滤word embeddings，然后利用过滤后的word embedding来构建aspect embedding。3. 训练过程 for aspect embedding与autoencoders相似，本文使用降维的方法去提取embedded句子和重构后的每个句子的common factors，通过一个线性的combination of aspect embeddings。attention机制削弱了没有出现在aspect中的词，使得模型更关注在aspect词。
Attention-based Aspect Extraction(ABAE)
Related Work：
过去的方法：寻找频繁项，提取opinion terms通过WordNet中的同义词反义词。 频繁项集挖掘，dependency information。 依赖于提前定义好的规则，只在一少部分名词上work的比较好。
监督学习方法：转换成序列标注问题，使用HMM和CRF，分别使用一组手动提取的特征。最近的，使用自动学习特征，CRF-based aspect extraction。监督学习需要大量标注的数据。并且基于规则的模型通常不够细致，对提取的aspect terms分类。
无监督学习的方法：主题模型，这些模型的输出是word distributions或ranking for aspect。aspect的获取往往没有分离的提取和分类。最近也有一篇是利用RBM来同时提取aspect和sentiment，将aspect和sentiment作为RBM中分离的隐藏节点，然而这个模型依赖于先验知识，例如part-of-speech(POS) tagging词性标注和sentiment lexicons情感词典。 A biterm topic model(BTM)可以生成co-occurring word pairs。
Attention模型被使用在机器翻译，句子总结sentence summarization，情感分类 sentiment classification和问答。不是利用所有的信息，attention模型关注相关信息。
模型：
最终的目标是学习一组aspect embeddings，每个aspect可以理解为在embedding space中查找最近的词。
每个词的embedding是d维向量，所有词的embedding矩阵 E 是V*d的，V是vocabulary的大小。aspect的embedding与word embedding共享同一个空间，aspect的embedding T 是K*d的，K远小于V。aspect embedding用于近似在vocabulary中跟的aspect词，aspect词通过attention 机制过滤。
第一步，通过attention机制降低non-aspect的权重，构建sentence embedding zs from weighted word embeddings。
第二步，用来自T的aspect embedding线性组合重新构建句子embedding，这样进行了降维和重新构建rs。
ABAE想要将转换zs到重新构建的rs，使用最少的变型，保存最多的信息。
Sentence embedding with Attention Mechanism：
ai通过attention模型计算：
ys是word embedding的平均值，可以捕获句子global的上下文。M是一个权重矩阵d*d的，可以将global的上下文ys与word embedding进行映射，通过学习获得。
认为attention机制分为两步：给定一个句子，首先计算它的平均embedding，然后每个词的权重需要考虑两点：第一是transformation M可以过滤word，这些word可以捕获和K aspect的关系。然后我们捕获过滤后的word和sentence之间的关系，通过过滤后的word和global context ys之间的内积。
Sentence Reconstruction with Aspect Embeddings：
重构句子embedding，包括两步，类似autoencoder，线性连接T
目标函数：
最小化重构误差，使用contrastive max-margin objective！！！！
对每个句子，从训练集中随机采样m个句子， randomly sample m sentences from our training data as negative samples。 每个负采样为ni，通过计算每个词的word embedding的平均值。
目标是使重构的embedding rs与目标句子embedding zs相似，虽然与这些样本不同。所以，没有正则化的目标函数J，is formulated as the hinge loss that最大化rs和zs之间的内积，同时最小化rs和负样本之间的内积。
D是训练集，参数是
正则化：
embedding matrix T可能会遇到redundancy。encourage the uniqueness of each aspect embedding：
I是单位矩阵。Tn是将T的每行归一化为1。任何在Tn*TnT中的非对角的元素tij(i不等于j)都与两个不同的aspect embeddings的内积相关联。当任意两个不同的aspect embedding的内积是0的时候，U达到最小值。所以正则化可以使aspect embedding 矩阵T中每行aspect的正交化，同时惩罚不同aspect向量之间的redundancy。最终的目标函数为：
Evaluation：
根据两个标准来判断ABAE：
是否能够找到meaningful和semantically coherent aspect？
是否能改进aspect identification performance on 真实的评价数据集
Coherence Score：
评价aspect的质量，一个aspect z， 和a set of top N words of z，Sz。