30、基于目标的注意力模型在方面级情感分析中的应用

基于目标的注意力模型在方面级情感分析中的应用

1. 引言

方面级情感分析旨在确定句子中特定目标词或短语的情感极性，是自然语言处理（NLP）中的一项关键任务。例如，在句子 “Dreadful food but the service was good” 中，“food” 的情感极性为负面，而 “service” 的情感极性为正面。同一句子中不同方面可能有不同的情感极性。

近年来，神经网络在方面级情感分析领域发挥着越来越重要的作用。但在这些方法中，方面词在上下文词中通常被视为同等重要，方面信息在神经网络模型中未被充分融入上下文。后来，一些神经注意力机制被应用于此任务，性能虽有提升，但仍存在一些问题。比如，对于句子 “The local sweet food is delicious, but the service is dreadful.”，若将方面词 “local sweet food” 经词嵌入后简单平均，会丢失重要语义信息，且未考虑每个上下文词对方面词的影响。

为解决这些问题，提出了一种基于目标的注意力模型（TBAM）用于方面级情感分析。TBAM 能更好地检测句子中给定方面的最重要文本信息，在三个公共数据集上取得了最先进的性能。

2. 相关工作

方面级情感分析的传统方法是手动设计特征集，并构建基于特征的情感分类器，但结果高度依赖特征质量，且特征工程劳动强度大。

递归神经网络（RecNNs）最早被引入该领域，但在面对常见语法错误时易出错。后来，循环神经网络（RNNs）在处理句子序列任务中更有效，如 TD - LSTM 方法从句子左右两侧学习特征表示，还有人使用神经池化函数从词嵌入中提取特征。

由