【情感分析】基于Aspect的情感分析模型总结（一）

zenRRan

发布于 2020-03-03 10:18:55

6.7K0

发布于 2020-03-03 10:18:55

转载自：NewBeeNLP

0. 写在前面

前面我们有实战过文本分类的一些模型算法，什么？太简单？！Ok，再开一个坑，接下去整一个稍微复杂点的，情感分析。当然一般的情感分析也是一个分类任务，就可以参考之前文本分类的思路，我们这一系列要看的是「Aspect Based Sentiment Analysis (ABSA)」，关于这一任务的比赛也非常多，可见十分实用呀。enjoy

1. A glance at ABSA

在介绍具体算法之前，先来看一下什么是 ABSA？可以粗暴翻译为基于方面的情感分析，本质就是对句子中不同对象可能会存在不同的情感倾向，例如：“I bought a new camera. The picture quality is amazing but the battery life is too short”，这句话中对于target=picture quality，情感是正的；而对于target=battery，情感就是负的了。ABSA 任务的目的就是去找出给定句子中的不同 target 的情感倾向。

如果大家还不是很清楚的话，可以再参考一下这里：「一个关于ABSA的PPT介绍[1]」。

Effective LSTMs for Target-Dependent Sentiment Classification（COLING2016）[2]

在这篇论文里面作者主要是介绍了三种基于LSTM的模型，来解决 ABSA 任务：

LSTM
Target-Dependent LSTM
Target-Connection LSTM

2.1 LSTM

第一种方法就是直接使用 NLP 中的万金油模型 LSTM，在该模型中，target words 是被忽略的，也就是说跟普通的对文本情感分析的做法没有区别，最终得到的也是这个句子的全局情感，可想而知最后的效果一般般。具体做法就是对句子中的 token 进行 embedding 处理作为模型的输入，经过一次一次的计算隐层和输入之后得到一个句子表示，接着对这个向量进行 softmax 计算概率，其中 C 是情感类别种类。

2.2 TD-LSTM

为了解决上面 LSTM 忽略目标词的问题，提出了 Target-Dependent LSTM （TD-LSTM）模型，如下图所示。

其基本思想是对于一个 target-word，充分考虑其上下文信息，具体来说使用了两个 LSTM，从左往右的和从右往左的，分别对 target word 的左边和右边的信息建模。接着将两个 LSTM 得到的隐状态和 concat 一下，也就得到了关于这个词的句子情感表示，然后一样也是送入到 softmax 进行分类。除了 concat 作者也提到可以尝试进行 sum 或者 average。

2.3 TC-LSTM

Target-Connection LSTM （TC-LSTM）在上一节TD-LSTM 的基础上进一步加强了 target-word 与句子中每个 token 的关联，看模型框架就会很清晰，

可以看出，这里在模型输入的时候多加入了一部分：，这样就可以加强 target 与句子的交互，使得最后的表示更为确切。那么这个是怎么得到的呢？其实就是简单地对 target words 的向量表示进行平均化处理得到一个向量。

2.4 实验结果比对

Attention-based LSTM for Aspect-level Sentiment Classification（EMNLP2016）[3]

这是在上一篇论文之后发的文章，指出前者的不足之处：

❝However, those models can only take into consideration the target but not aspect information which is proved to be crucial for aspect-level classification.

作者这里提到了两个概念：target 和 aspect。我们可以认为 target 是包含在句子中出现的词，而 aspect 属于预先定义的比较 high-level 的类别刻画。基于以上，提出了两种模型：

Attention-based LSTM (AT-LSTM)
Attention-based LSTM with Aspect Embedding (ATAE-LSTM)

3.1 Aspect Embedding

对于 ABSA 问题，aspect 信息对于最终的情感判别是非常重要的。因此作者对每个 aspect 都学习一个相应的 aspect embedding 来表示，

3.2 AT-LSTM

我们已经学习出了 aspect embedding，那么如何把它结合进模型里呢？这里使用的是超级火的注意力机制，如下图所示

为了更好地理解上述模型，首先回顾一下传统注意力机制，也就是 key-value-query 模型，简单来说就可以理解为是一种加权和，具体可以参考理解 Attention 机制原理及模型[4]。这里可以认为key=H, value=H, query=aspect embedding，整个 attention 的过程可以用数学表示为：

其中 r 表示各 hidden state 带权重后的表示，然后最终句子的表示为：

得到句子的表示后再进行情感分析：

3.3 ATAE-LSTM

为了进一步利用 aspect embedding 的信息，类似于上一节中 TC-LSTM 中的思想，即将 aspect embedding 与 word embedding 共同组合成模型的输入。模型的其他部分与 AT-LSTM 相同。

3.4 注意力结果可视化

3.5 试验分析

论文使用的数据集是 SemEval 2014 Task 4[5]。

Learning to Attend via Word-Aspect Associative Fusion for Aspect-based Sentiment Analysis（AAAI2018）[6]

对于上一节的 ATAE-LSTM，作者认为仍然存在以下不足：

不是让注意力层专注于学习上下文词的相对重要性，而是给注意力层增加了对aspect和上下文词之间的关系进行建模的负担；
除了对顺序信息进行建模之外，LSTM的参数现在还承担了额外的负担，即，它还必须学习aspect和单词之间的关系。ATAE-LSTM中的LSTM层在一个由sapect embedding主导的序列上进行训练，这将大大增加模型的训练难度；
简单的拼接会使ATAE-LSTM中LSTM层的输入加倍，这会增加LSTM层参数成本，影响内存占用量，计算复杂性和存在过拟合风险。

针对以上提出了 Aspect Fusion LSTM (AF-LSTM)，模型整体框架如下：

4.1 Word-Aspect Fusion Attention Layer

在输入经过 embedding 层和 LSTM 层之后进入到 Word-Aspect Fusion Attention Layer，这也是该模型的重点。

「Normalization Layer（optional）：」在隐状态矩阵和 aspect vector 进行交互之前可以选择性地对其进行正规化操作，可以选用 Batch Normalization；
「Associative Memory Operators：」用于计算 context word 和 aspect word 之间的关系。有两种：circular correlation 和 circular convolution
- circular correlation

也可以用傅里叶变化得到:

circular convolution

3.「Learning Attentive Representations:」将 aspect 和 context 进行 fusion 之后得到的向量表示进行 attention 操作

4.2 试验分析

Targeted Aspect-Based Sentiment Analysis via Embedding Commonsense Knowledge into an Attentive LSTM（AAAI-18）[1]

作者在对先前论文review之后给出了几个仍未解决的问题：

target包含多个实体或单词时，现有的研究都是认为各部分重要性一致并且简单地计算平均值作为向量表示；
使用hierarchical attention建模得到的target和情感词之间的关联是一个黑箱；
未引入包含更多信息的外部知识
全局的attention会编码与任务不相关的信息

对此，文章给出了三个解决方案：

创建多层attention模型来分别明确计算目标词（target）和整个句子；
将外部知识引入传统LSTM网络；
将常识性情感知识融入深层神经网络。

整体框架如下所示，主要包括两个组分：「sequence encoder」和「hierarchical attention」

「word embedding：」原始句子变为向量表示
「sequence encoder：」将向量送入双向LSTM得到每一个词的隐状态表示
「Target-Level Attention：」对句子中的所有target实例（如上图中的棕色框框）做self-attention获得target word attention representation；
「Sentence-Level Attention：」把步骤3得到的target words attention 向量和步骤2得到的所有隐状态向量给contact起来，再做一次attention；
「Output：」将步骤4得到的attention向量经过一个dense层和一个softmax层，得到最终的分类概率输出。