文献阅读（68）ACL2021-Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis
本文是对《Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis》一文的浅显翻译与理解，如有侵权即刻删除。
朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~
Chinese-Reading-Notes-of-Graph-Learning
更多相关文章，请移步：
文献阅读总结：网络表示学习/图学习
文献阅读总结：自然语言处理
文章目录
- Title
- 总结
-
- 1 GCN模型
- 2 DualGCN
-
- 2.1 SynGCN
- 2.2 SemGCN
- 2.3 双向映射
- 3 损失函数
-
- 3.1 正交正则化
- 3.2 差异正则化
Title
《Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis》
——ACL2021
Author: Ruifan Li
总结
他人笔记：https://zhuanlan.zhihu.com/p/404343036
文章认为，当前情感分析方法往往采用句法依存树，但这种架构中会包含很多噪声，从而导致模型的效果受限。为解决这一问题，文章提出了DualGCN算法，同时使用句法GCN和语义GCN来对输入的评价语句建模，并加入了正交正则化和差异正则化来约束模型损失函数，其结构如下：
1 GCN模型
文章主要使用了句法模型Syntax-based GCN (SynGCN)和语义模型Semantic-based GCN (SemGCN)来对输入语句进行建模，在此介绍了GCN模型的基本结构：
即通过层层加权偏置聚合邻域信息，得到当前层的隐藏状态输出，并作为下一层的输入。
而输入到GCN的图（矩阵）结构数据，是通过句法依存树的结构来构建的邻接矩阵A，A_ij表示单词i和单词j之间的依存关系，为1表示依存，为0表示不依存。
2 DualGCN
文章提出的DualGCN是对输入的评价语句进行建模，对此，给出了句点对(s,a)，其中a={a_i,…,a_m}为aspect（方面），s={w_1,…,w_n}为语句。在此利用Glove+BiLSTM或BERT对输入语句进行初始化，通过s在单词嵌入表中查询得到单词嵌入x={x_1,…,x_2}，并输入到BiLSTM中得到隐藏向量H={h_1,…,h_n}。
2.1 SynGCN
该子模型是基于句法的GCN模型，通过句法编码的邻接矩阵，可以利用GCN的基本框架聚合得到句法表征H^syn ，其中对aspect节点，单独用h_a^syn 表示。
2.2 SemGCN
为学习与句法信息不同的隐藏信息，文章还构建了基于语义信息的模型，通过自注意力矩阵对初始化的隐藏向量H进行加权从而得到语义表征H^sem：
2.3 双向映射
得到上述两个GCN输出的表征后，文章采用双向映射的方法，将synGCN向量投影到SemGcn空间，SemGcn投影到synGcn空间，交叉引用，递归收敛：
而后，将两类表征进行拼接，得到最终的aspect表征向量r：
其中，f为平均池化函数。而后，可以利用softmax函数得到关于aspect的概率分布p：
3 损失函数
得到上述概率分布后，可以构建子损失函数为：
其中D包含所有句子-方面对，C是不同情感极性的集合。而最终的损失函数由多个部分构成：
其中第二项和第三项分别是正交正则化和差异正则化，第四项则是模型中出现的所有参数。
3.1 正交正则化
文章认为每个单词的相关项应当分布在语句中的不同区域，即注意力分数分布很少重叠。因此，该正则化约束所有单词的注意力分数向量之间为正交关系，即：
3.2 差异正则化
为了鼓励SynGCN和SemGCN学习到的信息表征不同，因此约束两者的邻接矩阵尽可能不同：
