前言

本篇博客主要是对《Syntax-Aware Aspect-Level Sentiment Classification with Proximity-Weighted Convolution Network》进行了泛读，并对其进行了简单地记录，以帮助大家快速了解此篇论文的要点。

一、论文信息

论文名：《Syntax-Aware Aspect-Level Sentiment Classification with Proximity-Weighted Convolution Network》

作者：Chen Zhang, Qiuchi Li, Dawei Song.

领域：Aspect-Level Sentiment Classification

关键词：Sentiment classification, Syntax-awareness, Proximity-weighted convolution

发表年份：2019

会议/期刊名：SIGIR

二、笔记要点

2.1. 目前存在的问题

现有的方法在很大程度上依赖于方面与上下文词的语义相关性建模，而在一定程度上忽略了它们在句子中的句法相关性，即方面与描述其他方面的上下文词汇相关联。

2.2. 目前解决方法：

依赖句法分析解决，但是单词层面的句法分析可能会阻碍不同短语之间的特征提取，因为一个方面的情感极性通常是由一个关键短语而不是一个单词决定的。

2.3.本文方法和创新点

方法

we propose a proximity-weighted convolution network to offer an aspect-specific syntax-aware representation of contexts.我们提出了一个近似加权卷积网络，以提供一个特定于方面的上下文语法感知表示。
In particular, two ways of determining proximity weight are explored, namely position proximity and dependency proximity.特别探讨了确定邻近权重的两种方法，即位置邻近和依赖邻近。
The representation is primarily abstracted by a bidirectional LSTM architecture and further enhanced by a proximity-weighted convolution.该表示主要通过双向LSTM架构抽象，并通过近似加权卷积进一步增强。

创新点：

位置机制的启发：
该框架受位置机制[3,6,8,14]的启发，利用上下文词与方面的句法接近度，即接近权重来确定其在句子中的重要性。
然后，我们将邻近权值集成到卷积网络中以捕获n-gram信息，称为近似加权卷积网络 (Proximity-Weighted Convolution Network PWCN)。

2.4. 实验效果

实验结果表明，句法依赖比语义关联更有利于情感分类。

2.5. 模型结构

基于LSTM模型框架的改进，本文使用SemEval 2014 Task4 数据集，进行模型训练和评估。

2.6. 总结和展望

实验结果表明，句法依赖比语义关联更有利于情感分类。
We believe it is a promising direction to dive into concrete examples to analyze the difference between PWCN models and attention based models to achieve a deep understanding of where the syntactical dependencies overwhelm semantic relatedness.我们认为，通过具体的例子来分析PWCN模型和基于注意力的模型之间的差异，从而深入理解语义相关性在哪里超过了语法相关性，是一个很有前景的方向。

总结

以上就是本篇博客的全部内容了，希望对你有所帮助。

方面级情感分析论文泛读02：Syntax-Aware Aspect-Level Sentiment Classification with Proximity-Weighted Convolution相关推荐

方面级情感分析论文泛03：Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks
提示1:原文链接提示2:代码链接文章目录前言一.论文信息二.笔记要点 2.1 存在的问题 2.2 目前解决方法 2.3 本文方法和创新点 2.4 模型结构 2.5 实验结果 2.6 总结和展 ...
情感分析论文阅读之《Aspect Level Sentiment Classification with Deep Memory Network》
本文利用了加入了attention机制的QA系统中的深度记忆网络,本文将aspect word的上下文信息作为memory m中存储的内容.实现了一个针对aspect-level的情感分类模型. ...
【论文泛读】Multi-modal Sarcasm Detection and Humor Classification in Code-mixed Conversations
摘要讽刺检测和幽默分类本质上是一个微妙的问题,主要是因为它们依赖于语境和非语言信息.此外,由于缺乏定性注释数据集,这两个主题的现有研究通常局限于印地语等非英语语言.在这项工作中,考虑到上述局限性 ...
属性级情感分析（于restaurant14和laptop14数据集上使用LSTM和GRU、 MemNet和IAN以及CNN等）的对比分析
随着人们的社交活动.消费习惯.工作内容也逐渐由线下转移到线上,从互联网上海量文本中自动挖掘出人们对各类事务的需求.喜好.观点.态度等,具有广阔的应用场景和很高的商业价值. 在自然语言处理领域,情感分析 ...
[方面级别情感分析]0x01方面级情感分析笔记
0.什么是方面级情感分析先介绍几个概念缩写 ABSA: Aspect-Based Sentiment Analysis方面级情感分析的缩写,下文用ABSA代替方面级情感分析这一概念,给定一个句子,比 ...
方面级情感分析综述论文论文+讲解+复现(ABSA)
2022最新方面级别情感分析论文综述: A Survey on Aspect-Based Sentiment Analysis:Tasks, Methods, and Challenges 其中关于A ...
INTERSPEECH2020 语音情感分析论文之我见
本文分享自华为云社区<INTERSPEECH2020 语音情感分析论文总结一>,原文作者:Tython. 1. Learning Utterance-level Representatio ...
面向社交媒体的多模态属性级情感分析研究
每天给你送来NLP技术干货! 分享嘉宾:虞剑飞南京理工大学副教授编辑整理:路人复旦大学出品平台:DataFunTalk 导读:随着社交网络的飞速发展,人们在以微博.Twitter为代表的社交 ...
【论文泛读】 ResNet：深度残差网络
[论文泛读] ResNet:深度残差网络文章目录 [论文泛读] ResNet:深度残差网络摘要 Abstract 介绍 Introduction 残差结构的提出残差结构的一些问题深度残差网络 ...

方面级情感分析论文泛读02：Syntax-Aware Aspect-Level Sentiment Classification with Proximity-Weighted Convolution

文章目录

前言