Press "Enter" to skip to content

基于特定实体的文本情感分类总结(PART II)

作者: 高开远

 

学校: 上海交通大学

 

研究方向: 自然语言处 理

 

0. 写在前面

 

继续: 【论文串烧】基于特定实体的文本情感分类总结(PART I)

 

1. Multi-grained Attention Network for Aspect-Level Sentiment Classification

 

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:

 

 

Input embedding layer

 

contextual layer

 

multi-grained attention layer

 

output layer

 

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。

 

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 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w_{j}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

 

 

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。

 

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。

 

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

和 a_{j},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a_{i}和 a_{j}之间的距离d_{ij}:

 

试验分析

2.Aspect Level Sentiment Classification with Attention-over-Attention Neural Networks

 

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:

 

 

word embedding

 

Bi-LSTM

 

Attention-over-Attention

 

Final Classification

 

Attention-over-Attention(AOA)

 

定义长度为n的句子 和长度为m的target

 

 

经过双向LSTM得到的隐状态表示为矩阵 ,  

 

接着计算两者的交互矩阵 ;

 

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

 

对beta向量求平均,也就获得target-level attention:

 

最后再做一次sentence层面的attention:

 

 

试验分析

3. Attentional Encoder Network for Targeted Sentiment Classification

 

与以往大多数RNN+Attention的思路不同,作者在这篇论文里给出了注意力编码网络(Attentional Encoder Network,AEN),避免了RNN系模型的缺点(难以并行化,需要大量数据/内存/计算);同时提到先前的工作大都忽略了标签不可信问题(label unreliability issue),这里在损失函数中引入了标签平滑正则项。模型整体框架如下

Embedding Layer

 

有两种embedding的方式

 

使用glove预训练embedding

 

使用bert预训练embedding:注意将输入转化成bert需要的形式, 即 [CLS] + context + [SEP][CLS] + target +[SEP]

 

Attentional Encoder Layer

 

注意力编码层和LSTM层的作用一样,都是计算输入的语义表示得到隐状态矩阵。这一层包括两个子模块:

 

Multi-Head Attention:MHA就是在attention is all you need那篇论文里的多头注意力机制。这里对context采用的是 Intra-MHA ,即 self-attention ;对target采用的是 Inter-MHA , 即传统意义上的attention。

 

Point-wise Convolution Transformation(PCT):逐点卷积,即卷积核的尺寸为1,对上述得到的两个attention encoder进行一下操作,

 

Target-specific Attention Layer

 

将attention encoder后得到的关于context和aspect信息的向量表示h_{t}和h_{c}再做一次attention操作得到具有更多交互信息的向量,然后与h_{t}和h_{c} pool以后的向量拼接得到最终的输入表示送入softmax层进行情感分析

 

 

Loss Function

 

前面提到为了解决标签不可信任问题(比如中性情感是一种非常模糊的情感表达,具有中性情感标签的训练样本就是属于不可信任的),引入了一种新的损失计算 Label Smoothing Regularization (LSR) ,关于LSR的深入理解这里不详细说了可以参考知乎问题:Label Smoothing Regularization_LSR原理是什幺?

 

试验分析

 

作者非常nice地开源了论文对应的代码库:songyouwei/ABSA-PyTorch 而且里面还有很多其他模型的实现。赞!

4. Transformation Networks for Target-Oriented Sentiment Classification

 

作者提出用attention去提取context和aspect之间的语义相关性存在一定的缺陷,并列举了一个例子:

 

“This dish is my favorite and I always get it and never get tired of it.” 这句话中,attention机制会提取出相对于dish不相关的词语比如”never”,”tired”等。

 

于是提出可以利用CNN来取代attention来提取context中相对重要的信息,同时对朴素CNN进行了进一步的处理使其适合该任务,提出了 Target-Specific Transformation Networks (TNet)

Bi-LSTM Layer

 

将文本的上下文信息融入到word的向量表示中是非常重要的

 

Context-Preserving Transformation(CPT)

 

模型再往上一层是Transformation Layer,是由多个CPT模块叠加而成。单独的CPT模块结构如下所示

在这里插入图片描述

CPT分为两个部分,Target-Specific Transformation(target转换机制)和Context-Preserving Mechanism(上下文保存机制)

 

Target-Specific Transformation用于动态地生成target的向量表示(这是论文的创新点)。首先将target表示通过一个Bi-LSTM来获得其抽象表示,再将该表示与上一层每个context词的表示做相似度计算,从而调整target的表示。

 

Context-Preserving Mechanism的提出是因为在经过TST的非线性转化之后,现有的向量表达可能已经丢失了原来Bi-LSTM层输出的信息,作者提出了两种解决方案:

 

Lossless Forwarding:直接将前一层的输出加入到这一层的输出上

 

 

– Adaptive Scaling:与LSTM中门控机制类似的自适应保存机制,通过门控单元来控制当前层和上层输出到下层的信息。

 

 

Convolutional Layer

 

作者对于卷积层提出了利用观点词与目标词的距离的改进措施。作者为每一个位置计算一个位置特征 其中C是超参,相当于设置了一个窗口,在这个窗口范围内进行计算。k是target第一个词的位置,m是target的长度,i是当前词的位置。

 

然后将距离特征融合到词特征上: 再进行卷积和最大池化的操作 最后送入softmax层进行情感判定

 

试验分析

原文链接:

 

https://blog.csdn.net/Kaiyuan_sjtu/article/details/89811824

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注