A Hierarchical Model of Reviews for Aspect-based Sentiment Analysis
0. Summary
提出hierarchical bidirectional long short-term memory(H-LSTM)模型，综合评论的句子内部信息特征、句子间信息特征、句子的实体属性特征(eg.FOOD#QUALITY)，进行情感分析。最终证明本文提出模型具有更好的效果且不需要文本以外信息的结论。
Motivation
每个评论(review)中包含多个句子(sentence)，除了各句子内部的信息以外，句子与句子间的相关性对于情感分析也是十分重要的，故而本文同时获取句子级别信息(sentence-level)和评论级别信息(review-level)。
Method(s)
hierarchical bidirectional long short-term memory(H-LSTM)
Experiment
- 每个评论数据padding到h个句子，其中每个句子padding到l个单词。
- 句子如果有2个实体，则该句子匹配不同实体使用2次；如果该句子没有实体，则不使用该句子，依次类推。
- 分别使用随机&预训练embedding。
- 损失函数：cross-entropy；优化器：Adam。
Conclusion
- 与CNN、LSTM这些只考虑句子内部信息的模型比较，具有更好的效果。
- 与Best、XRCE、IIT-TUDA这些综合了文本之外的信息的模型比较，本文的H-LSTM只需要使用文本本身信息，能获得势均力敌(competitive performance)的结果。
Notes(optional)
N/A
Reference(optional)
N/A
来源：CSDN
作者：孱弱Lynch
链接：https://blog.csdn.net/qq_41995258/article/details/104550967