Neural Sentiment Classification with User and Product Attention

Framework

采用了hierarchy的架构，即两层encoder（rnn_size取200），分别代表word-level和sentence-level。
亮点在于，两层attention中都引入了user和product信息：

attention

Wu和Wp分别将user vector 和 product vector 压缩到continuous dense vector（相当于user embedding 和 product embedding，200维），串联lstm encoder的隐状态，通过一个非线性激发函数后带上权重v（相当于一维fc），再通过softmax归一化即构成attention权重。
输出层没什么变化，tanh激发+softmax+crossentropy

评估：

Evaluation

总结：
本文的亮点就是把user embedding和 product embedding加入到attention中，从结构上来看， 对比传统的attention机制：

original attention

如果把对hidden cell的投影也看作embedding，那么就是在hidden embedding的基础上串联user embedding和 product embedding，再加上一层一维fc。引入product 和user信息的有效性，可以简述如下：
• 用户-情感一致性：某些用户倾向于打高分，有些打低分
• 产品-情感一致性：好产品得高分，坏产品得低分
• 用户-文本一致性：用户使用相同文本表达不同的感情
• 产品-文本一致性：相同文本评论不同产品代表不同的感情