论文2： EMNLP2019-Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree

EMNLP2019-Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree

一.论文思想

1. ABSA涉及两个任务:(1)识别一个句子的各个方面(2)确定在特定方面表达的情感极性(例如，积极的、消极的、中性的)。在本文中，我们重点研究第二个任务:基于方面的情感分类
2. 基于神经网络的方法（传统的方法）忽略了诸如依存树的信息资源，依存树能够缩短方面和意见词之间的距离，捕捉了词之间的句法关系，并为信息在树中的传播提供了任意句子上的区别性句法路径，使得依存信息能够有效地保存在长句中。这些特性使得神经网络模型能够毫不费力地捕捉长期的句法依存关系。（依存树可以解决长期依赖关系）
3. 为此，本文提出了一种依存树上的卷积模型，该模型利用双向长短期记忆(双LSTM)来学习句子特征的表示，并进一步利用直接在句子的依存树上操作的图形卷积网络(GCN)来增强嵌入。我们的方法将上下文和依赖信息从意见词传播到方面词，为监督提供了区分属性。即在句法依存关系树上建立GCN并结合Bi-LSTM构建模型（CDT）。

二.模型结构

这里的模型结构与论文1《EMNLP2019-Aspect-based Sentiment Classification with Aspect-specific Graph》的模型结构类似，不同的是去除了Attention机制，加入了平均池化。（相关模型结构在论文1中进行了详细的阐述，有兴趣的可以看一下：论文1）