【情感分析】基于Aspect的情感分析模型总结（二）

转载自：NewBeeNLP

继续之前的ABSA之旅

Interactive Attention Networks for Aspect-Level Sentiment Classification（IJCAI2017）[1]

这篇文章作者的思路也是将target和context进行交互获取句子的准确表达，利用的模型是attention。与上面几个模型不同的在于，这里考虑了target可能存在好几个word组成的短语，另外添加了一层对于target的attention操作用于计算权重。提出了Interactive Attention Networks(IAN)， 整体模型框架如下：

1.1 IAN

1. 输入包括n个单词的「context」： 和m个单词的「target」 ：
2. 对输入进行embedding层后输入到LSTM网络中得到各个隐状态表示；
3. 对所有隐状态求平均分别得到target和context的隐状态表示，以此作为后续attention两者的交互：
4. 分别计算attention权重得分：
5. 根据单词权重计算target和context的最终表示：
6. 将 和 拼接起来作为整个输入句子的向量表示，并送入softmax计算类别概率

1.2 试验分析

同样数据集选用的也是SemEval 2014 Task 4，

Multi-grained Attention Network for Aspect-Level Sentiment Classification[2]

EMNLP 2018的一篇论文，作者分析了先前提出的ABSA任务模型的不足：

• 使用的attention mechanism都是属于粗粒度的（简单地求和操作），如果对于target word和context都很长的话会引入额外的损失；
• 另外，先前的工作都是将aspect和context视作是单独的instance进行训练，没有考虑到具有相同上下文的instance之间的关联，而这些关联很有可能会带有额外的信息。

于是提出了一种解决ABSA问题的多粒度注意力网络（Multi-grained Attention Network， MGAN），主要的改进有：

• 「细粒度注意力机制（fine-grained attention mechanism）：」 单词级别（word-level）的target和context之间的交互，可以减少粗粒度attention的损失；
• 「多粒度注意力机制 （multi-grained attention network）：」 粗粒度attention和细粒度attention结合；
• 「aspect alignment loss：」 在目标函数中加入aspect alignment loss，以增强context相同而情感极性不同的aspect对context权重学习的差异性。

模型如下，可以分为四个部分：

1. Input embedding layer
2. contextual layer
3. multi-grained attention layer
4. output layer

2.1 Input Embedding Layer

输入embedding层，使用的是预训练好的Glove，获得定长的aspect和context向量表示。

2.2 Contextual Layer

将上一步获得的aspect和context向量矩阵送入双向LSTM网络来捕获输入中词与词之间的关联，得到一个sentence contextual output 和aspect contextual output。然后这里就可以把这两个矩阵进行交互了，但是作者又另外考虑了在上下文中与aspect word距离不同的word应该有不同的权重，引入了「position encoding mechanism」：context中与aspect相距为l的单词的权重 为：

「注意，aspect中的词的权重设置为0。」 于是最终得到的优化后的sentence contextual output 为

2.3 Multi-grained Attention Layer

前面的部分可以说跟之前的工作大同小异，重点在于接下来的「多粒度注意力层」。

「（1）Coarse-grained Attention」

粗粒度attention的话跟之前的attention是一样的，

• C-Aspect2Context：对aspect矩阵Q进行求平均pool得到一个向量表示，将其与context矩阵H交互做attention，
• C-Context2Aspect：这一步是跟C-Aspect2Context对称的

「（2）Fine-grained Attention」

细粒度attention的目的是刻画aspect对context或者context对aspect词与词之间的影响关系。首先定义H和Q元素之间的相似矩阵U，注意U的形状为[N * M]，U中每个元素 表示context中的第i个单词和aspect中的第j个单词之间的相似度，

• F-Aspect2Context刻画的是对于每一个aspect word，context对其的影响程度。首先求出矩阵U中每一行最大的值，然后对其归一化操作得到和为一的权重分布后加权求和得到新的H表示
• F-Context2Aspect刻画的是对于每一个context word，aspect对其的影响程度。首先对U中每一行做归一化操作，得到N个和为1 的权重表示，然后用N个长为M的向量去和矩阵M逐元素加权求和，最后将这N个新的表示相加取平均，得到aspect最后的细粒度表示。

24 Output Layer

在这一层将上述步骤得到的attention表示拼接起来，作为最终输入句子的向量表示并送入softmax层分析情感得分。

2.5 Loss Function

模型选用的损失函数为：

其中第一项为交叉熵损失，第二项为单独设计的aspect alignment loss，第三项为正则化项。这里需要重点说一下aspect alignment loss。该损失作用于C-Aspect2Context attention部分，C-Aspect2Context attention是用于确定与特定的aspect相关性最高context中的单词。加上了这个损失，在训练过程中模型就会通过与其他aspect比较而更加关注对自己更重要的context word。

举个栗子，在句子I like coming back to Mac OS but this laptop is lacking in speaker quality compared to my $400 old HP laptop中，通过与不同的aspect Mac OS相比，speaker quality应该更关注词语lacking，而更少关注like。

对于aspect列表中的任一对aspect 和 ，首先求出它们对context中某一特定单词的attention权重差的平方，然后乘上 和 之间的距离 ：

2.6 试验分析

Aspect Level Sentiment Classification with Attention-over-Attention Neural Networks[3]

这篇文章的思路好像跟上一篇很像，模型可以分为四个部分：

1. word embedding
2. Bi-LSTM
3. Attention-over-Attention
4. Final Classification

3.1 Attention-over-Attention（AOA）

定义长度为n的句子 和长度为m的target

1. 经过双向LSTM得到的隐状态表示为矩阵 , ，
2. 接着计算两者的交互矩阵 ;
3. 通过对交互矩阵做基于列的softmax和基于行的softmax可以得到target-to-sentence attention 和sentence-to-target attention
4. 对beta向量求平均，也就获得target-level attention：
5. 最后再做一次sentence层面的attention：

3.2 试验分析

Over~PART III马上达到战场

本文参考资料

[1]

Interactive Attention Networks for Aspect-Level Sentiment Classification（Ma/IJCAI2017）: https://arxiv.org/pdf/1709.00893.pdf

[2]

Multi-grained Attention Network for Aspect-Level Sentiment Classification: https://www.aclweb.org/anthology/D18-1380

[3]

Aspect Level Sentiment Classification with Attention-over-Attention Neural Networks: https://arxiv.org/abs/1804.06536

- END -