【情感分析】基于Aspect的情感分析模型总结（PART III）

最新推荐文章于 2025-08-15 16:55:02 发布

转载最新推荐文章于 2025-08-15 16:55:02 发布 · 4.1k 阅读

本文深入探讨了情感分析领域的前沿模型，包括Attentional Encoder Network、Transformation Networks和Constrained Attention Networks，解析了各模型的设计理念、关键技术及实验效果，旨在帮助读者全面理解基于Aspect的情感分析。

继续来看基于Aspect的情感分析模型总结第三部分，回顾一下之前：

Attentional Encoder Network for Targeted Sentiment Classification^[1]

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

1.1 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] 和 [CLS] + target +[SEP]

1.2 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，

1.3 Target-specific Attention Layer

将attention encoder后得到的关于context和aspect信息的向量表示和再做一次attention操作得到具有更多交互信息的向量，然后与和 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

1.4 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原理是什么？^[2]

1.5 试验分析

作者非常nice地开源了论文对应的代码库：songyouwei/ABSA-PyTorch^[3] 而且里面还有很多其他模型的实现。赞！

Transformation Networks for Target-Oriented Sentiment Classification^[4]

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)」

2.1 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

2.2 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。

2.3 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

2.4 试验分析

CAN---Constrained Attention Networks for Multi-Aspect Sentiment Analysis(2018)^[5]

本文的创新点有以下几个：

引入orthogonal regularization，使得对于不同的aspect，attention weight聚焦在句子不同的部分；
引入sparse regularization ，使得每个aspect的attention weight只关注句子中的几个单词；
不同于之前大多数研究一次只得出一个aspect的sentiment，本文可以同时得到句子中所有aspect的sentiment；
引入multi-task多任务学习，在学习aspect level sentiment classification(ALSC)的同时学习aspect category detection (ACD)任务

模型的整体框架如下：

3.1 Task-Specific Attention Layer

输入为形式，其中为句子，分别表示句子中的aspect及其对应的polarity。

前面的embedding和LSTM层就不具体介绍了。来看看多任务学习层，主要包括：

「ALSC Attention Layer」目的是针对不同的aspect学习到不同的attention weights。输入是LSTM层输出和句子中的aspect
「ACD Attention Layer」目的是学习句子中包含的aspect类别。输入是LSTM层输出和aspect set

3.2 Regularization Layer

Regularization Layer用于对前面得到的attention weights加上限制，使得模型可以同时处理多个aspect。「注意：该层只在训练阶段有效，因为需要知道真实标签，在预测阶段直接略过该层。」

「Sparse Regularization」用于限制每个aspect只关注句子中较少的词。以ALSC任务得到的attention weights 为例，系数正则项定义为：$$R_s}=\left\sum_{l=1^{L} \alpha_{k l}^{2}-1\right|$$
「Orthogonal Regularization」用于限制每个aspect关注句子中的不同部分，使其尽量不重叠。将两个任务得到的attention weights分别表示成二维矩阵和，然后计算正则项