NLP论文（情感分析）：《Combination of Convolutional Neural Network and Gated Recurrent Unit for Aspect-Based S

论文

NLP论文笔记合集（持续更新）

原论文：《Combination of Convolutional Neural Network and Gated Recurrent Unit for Aspect-Based Sentiment Analysis》

介绍

2021年01月19日发表的文章

模型结构

文章翻译

Abstract

基于方面的情绪分析（ABSA）旨在识别评论中对给定 aspect 的观点和情感极性。与一般情感分析相比，ABSA可以提供更详细和完整的信息。近年来，ABSA已成为自然语言理解的一项重要任务，并引起了学术界和工业界的广泛关注。句子的情感极性不仅取决于句子的内容，而且与目标 aspect 有着相对显著的相关性。基于这个原因，我们提出了一个 aspect-based 情感分析模型，它是卷积神经网络（CNN）和门控循环单元（GRU）的组合，利用CNN生成的局部特征和GRU学习的长期相关性。在酒店和汽车数据集上进行了大量实验，结果表明，该模型在 aspect 提取和情感分类方面取得了良好的性能。实验还证明了该模型具有很强的领域扩展能力。

V. CONCLUSION

在线评论的研究已经引起了广泛的关注，而ABSA一直是自然语言处理的重要任务之一。因此，探讨评论中不同的情感极性是非常必要的。基于这个原因，我们提出了一个深度神经网络模型，利用CNN和GRU的结合进行 aspect-based 情绪分析。该模型的特点是：通过CNN获取评论中的局部特征和序列关系；利用RNN学习长期依赖和位置关系；利用全局最大池和全局平均池从整个句子中提取全局特征。大量的实验表明，该模型在酒店和汽车数据集上表现良好，在 aspect 提取和情感分类方面达到了较高的精度。这两个子任务的AUC值在酒店数据集上分别达到83.06%和83.17%，在汽车数据集上分别达到86.93%和77.42%。本文主要分析对某一实体的多 aspect 情感。在进一步的研究中，我们将进行更详细的调查，并探讨在一次审查中提到几个实体的情况。此外，一些最具代表性的计算智能算法也可用于ABSA，如帝王蝶优化（Monarch Butterfly Optimization，MBO）[32]–[33][34][35]、蚯蚓优化算法（Earthworm Optimization Algorithm，EWA）[36]、大象放牧优化（Elephant Herding Optimization，EHO）[37]–[38][39]和蛾子搜索（Moth Search，MS）[40]、[41]算法。因此，在我们未来的研究中，我们将探讨这些算法在ABSA研究中的应用。

相关视频

相关的笔记

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API