原文链接 http://chenhao.space/post/b215757d.html

论文题目：Aspect Based Sentiment Analysis with Gated Convolutional Networks

来源：ACL 2018 https://www.aclweb.org/anthology/P18-1234/

作者：Wei Xue and Tao Li, School of Computing and Information SciencesFlorida International University, Miami, FL, USA.

Introduction

Aspect based sentiment analysis (ABSA) 分为两个子任务：

1. aspect-category sentiment analysis (ACSA)

   ACSA的目标是针对给定的aspect，预测情感极性。

   如：“Average to good Thai food, but terrible delivery”，ACSA的任务会判断 “service” 这个方面的情感极性，虽然 “service” 这个词没有出现在句子中。

2. aspect-term sentiment analysis (ATSA)

   ATSA的目标是识别出文本中出现的目标实体的情感极性，这些目标实体可以是多词短语或单个词。

   如：“Average to good Thai food, but terrible delivery”，ATSA的任务会判断实体目标 “Thai food” 的情感极性。

目前大多模型用的方法是 LSTM+attention，这样的模型最大的缺点就是复杂和(训练)耗时。

作者提出了一种更快、更高效的模型：基于CNN(可以高度并行化计算)和gating(门控)机制的方法。

Gated Convolutional Network with Aspect Embedding (GCAE)

该模型是基于卷积层和门控单元。每一个卷积核分别从每个位置的embedding vectors计算不同粒度的n-gram特征，在每个位置处的卷积层顶部的门控单元彼此独立。

模型中的两种有效的过滤机制：卷积层之上的门控单元(gating units)和max pooling，这两种机制都能准确地生成和选择与aspect相关的情感特征。

一对卷积神经元计算特征，然后送给这两个门控单元(tanh gate 和 ReLU gate)。

feature $c_i$ci​ 的计算过程如下：
$\begin{aligned}\Large a_i &= \Large relu(X_{i:i+k}*W_a + V_a v_a + b_a) \\\Large s_i &= \Large tanh(X_{i:i+k}*W_s + b_s) \\\Large c_i &= \Large s_i \times a_i\end{aligned}$ai​si​ci​​=relu(Xi:i+k​∗Wa​+Va​va​+ba​)=tanh(Xi:i+k​∗Ws​+bs​)=si​×ai​​
其中，$v_a$va​ 是给定的 aspect category (in ACSA) embedding vector，如果是在ATSA任务中，$v_a$va​ 则是另外一个卷积层计算出来的 aspect term embedding vector。

$s_i$si​ 相当于是是经过tanh门控的情感特征，$a_i$ai​ 相当于是经过relu门控的aspect特征。

交叉熵损失函数：

ReLU gate 可以根据给定的aspect信息 $v_a$va​ 和aspect特征 $a_i$ai​ 之间的相关性输出相似性score（这里是啥意思）。如果score=0，情感特征 $s_i$si​ 将会被阻塞。

GCAE on ATSA

在ACSA任务中，aspect信息来自于一个aspect word embedding，而在ATSA任务中，这些信息由一个小型的CNN对aspect terms: $[w_i,w_{i+1},...,w_{i+k}]$[wi​,wi+1​,...,wi+k​]进行卷积来提供。

Experiments

数据集：

实验对比结果：(GCN: gated convolutional neural)

Gated Tanh Units (GTU)

Gated Linear Units (GLU)

Gated Tanh-ReLU Units (GTRU)