面向Aspect情感分析的自动生成离散意见树结构

在本文中，我们探索了一种简单的方法，为每个方面自动生成离散意见树结构。用到了RL。

首先为每个方面生成离散意见树，设方面词的位置为[b,e]，则首先将方面跨度[b, e]作为根节点，然后分别从跨度[1,b−1]和[e+1, n]构建它的左子节点和右子节点。为了构建左子树或右子树，我们首先选择span中「得分最大的元素」作为子树的根节点，然后递归地对相应的span分区使用build_tree调用。（除了方面词外其他node都是单个词）。

关于得分分数的计算，选择将""作为BERT的输入得到特殊于方面词的句子表达H，然后按照如下计算得分：

其中h是H中方面词部分的平均池化，构建树的这部分包含的参数有三个以及BERT参数部分。

构建树的这一部分称为，输入为x和a（用于打分），输出为一棵树，参数 ϕ 包括上述参数。这一部分参数使用RL进行更新而不是最终损失函数的反向传播。

生成树以后开始正式执行预测任务，模型非常简单。

将上面得到的树生成邻接矩阵，经过GCN（可能多层），取最后一层GCN的输出结果的方面词部分以及[CLS]这个token的表达之和作为query，与GCN的输入的初始向量特征（也就是原句子经过句子编码器得到的）做注意力机制，用输入去表达最终的方面级分类特征。

最后输出分类结果

损失函数：

注意这个论文分为两个模块，第一个是生成树，利用得到t；第二部分是预测， ，这里的 θ 包括GCN模块的参数和输出（等式5）的部分，PS注意力模块没有引进参数哦。

第二部分使用上述损失函数进行优化，由于树的采样过程是一个离散的决策过程，因此它是不可微的，第一部分使用的是RL进行优化。

强化学习实现训练部分还没看。

实验效果和分析

MAMS 开发集效果

在MAMS数据上和多语言评论数据的结果

SemEval数据集上的效果

和span-based RL作对比

图3a和图3b分别显示了方面术语“scallops”的induced tree和dependency parse：

图4a和图4b显示了两个情绪极性不同的方面术语的induced tree:

aspect 和 opinion word的距离分析：

基于MAMS的测试集分类精度与训练集中各方面频率的关系：

审核编辑：郭婷