首先简要介绍一下基于Aspect的情感分析(Aspect based sentiment analysis——ABAS)，ABAS的主要任务：是判断句子所在的场景在某一方面的情感极性。举个例子，假如我们拿到一条餐厅评价文本数据如下：这家餐厅的环境还不错，可以菜做的不怎么样。
ABSA的任务就是去判断出下面两方面的情感极性：
1.在‘环境’这个aspect，文本的情感是积极的，
2.在‘做菜’这个aspect，文本的情感是消极的。
和普通的情感分析的不同点是，此类情感分析任务除了需要给出文本的情感极性，还要确切知道这个情感是发生在哪个方面。
ABAS任务简介
ABAS有两个子任务：
1.基于aspect类的情感分析（aspect-category sentiment analysis ——ACSA），主要任务是判断关于句子中的某个实体（entity)的情感极性。举个任务例子：
输入：文本是“这块手表的颜色不错” 。 entity是“颜色 ”
输出：情感极性2.基于aspect词的情感分析（aspect-term sentiment analysis ——ATSA）:主要任务是判断判断句子在某方面的情感极性。
输入：文本是“这家餐厅的环境还不错，可以菜做的不怎么样”
输出 ：环境方面的情感极性，交通便利方面的情感极性，做菜方面的情感极性。
其中ATSA类似于一个多标签(multi-label)的任务。
ABAS算法简介
由于ABAS一般会有两块输入
1.特征文本，
2.以及entity或者aspect词。
所以一般会使用entity或者apect词的信息，对特征文本做attention去提取出和entity和apect词关联度比较高的特征去做情感分析。所以基于注意力机制（attention-based）的LSTM，CNN是经常采用的算法，但是由于attention和LSTM的计算效率都比较低，但是为了充分利用entity和aspect词的信息，基于门控制机制（Gate-mechanisms）CNN也是一种重要的解决此类问题的算法。
实验部分：
这里我们会使用Aspect Based Sentiment Analysis with Gated Convolutional Networks论文（发表在2018年ACL会议）中介绍的一种基于Tanh-ReLU门控制机制的CNN模型在SemEval-2014 task4数据集上做ATSA的任务。我们会对原网络做一点修改，同时加入2018年谷歌提出Scaled Dot-Product Attention对网络进行加强。
GCAE（Gated Convolutional Networks Aspcet Embedding）
GCAE主要前向网络的流程如下图所示：
- 1,首先将句子使用的是Glove的词向量表示，然后通过一层CNN，得到句子的表示特征S_1,和S_2。
- 2.Aspect词则通过一层embedding层，得到其向量表示A。
- 3.最关键的一部则是门机制的部分：首先将句子的表示特征S_1通过激活函数tanh得到tanh(S_1)，然后将表示特征S_2和A相加送入激活函数relu得到relu（S_2+A）,最后将tanh（S_1）和 relu（S_2+A）做element-wise-product 得得到最终的特征向量。
- 使用max pooling处理特征向量之后经过一层全连接层(fully connected layer)，然后使用softmax激活函数就得到最终分类的结果。
此网络的优点是摆脱了RNN和attention 等耗时耗内存的网络结构，同时门机制又很好的利用了aspect词的信息，使得模型的精度不减反增。
模型架构如下，这里和原文有一点小小不同，就是apect词的表示采用的是Glove的词向量表示，然后通过了一层max pooling之后得到的。而不是采用原文的embedding层。
def gate_cnn_model(sentence,aspect,kernel_num,kernel_size,class_num):
sentence_rep = [tf.nn.tanh(tf.keras.layers.Conv1D(kernel_num,i)(sentence)) for i in kernel_size]###[batch_size, seq_len-kernel_size(i), kernel_num] *len(kernel_size)
aspect_rep = tf.keras.layers.Dense(kernel_num)(aspect)###[batch_size,asp_len,kernel_num]
aspect_rep = tf.keras.layers.GlobalMaxPool1D()(aspect_rep)###[batch_size,kernel_num]
aspect_rep = tf.expand_dims(aspect_rep,1)
join_rep = [tf.nn.selu(tf.keras.layers.Conv1D(kernel_num,i)(sentence)+aspect_rep) for i in kernel_size]
gate = [i*j for i,j in zip(sentence_rep,join_rep)]
out = [tf.keras.layers.GlobalMaxPool1D()(i) for i in gate]###[batch_size,kernel_num]*len(kernel_size)
out = tf.concat(out,1)###[batch_size,kernel_num*len(kernel_size)]
out = tf.keras.layers.Dense(class_num,activation="softmax")(out)
GCAE_ATT （Gated Convolutional Networks Aspcet Embedding with attention）
此网络基本符合原有网络架构，但是在网络第一步：在句子glove向量和CNN之间加了一层Scaled Dot-Product Attention，其作用是更好的表达了句子的特征，提取出更多的信息，其代码如下：
def gate_cnn_model_att(sentence,aspect,kernel_num,kernel_size,class_num):
sentence = Scaled_Dot_Product_Attention(sentence,10,30)###不同之处
sentence_rep = [tf.nn.tanh(tf.keras.layers.Conv1D(kernel_num,i)(sentence)) for i in kernel_size]###[batch_size, seq_len-kernel_size(i), kernel_num] *len(kernel_size)
aspect_rep = tf.keras.layers.Dense(kernel_num)(aspect)###[batch_size,asp_len,kernel_num]
aspect_rep = tf.keras.layers.GlobalMaxPool1D()(aspect_rep)###[batch_size,kernel_num]
aspect_rep = tf.expand_dims(aspect_rep,1)
join_rep = [tf.nn.relu(tf.keras.layers.Conv1D(kernel_num,i)(sentence)+aspect_rep) for i in kernel_size]
gate = [i*j for i,j in zip(sentence_rep,join_rep)]
out = [tf.keras.layers.GlobalMaxPool1D()(i) for i in gate]###[batch_size,kernel_num]*len(kernel_size)
out = tf.concat(out,1)###[batch_size,kernel_num*len(kernel_size)]
out = tf.keras.layers.Dense(class_num,activation="softmax")(out)
return out
实验结果：
下表对比一下GCAE，GCAE_ATT在测试集上的最高准确率
| 网络结构 | 测试集精度 |
|---|---|
| GCAE | 0.7239 |
| GCAE_ATT | 0.7495 |
我们发现GCAE_ATT由于增加了Transformer 网络中的Scaled Dot-Product Attention层，使得句子特征表达更加充分，提升了网络的性能，而且由于Scaled Dot-Product Attention不是循环递归结构，也不会影响网络的速度方面的性能
结论
Attention 对于文本的表达还是有很好的效果，本次实验通过对句子自身的Scaled Dot-Product Attention提升了模型的准确率，之后我们可以尝试其他更好的attention方式去更充分的提取文本特征，从而提升情感分析任务的精度。
参考文献：
https://spaces.ac.cn/archives/4765
https://blog.csdn.net/qq_41664845/article/details/84969266
Attention Is All You Need
Aspect Based Sentiment Analysis with Gated Convolutional Networks