基于依存树及距离注意力的句子属性情感分类

苏锦钿; 欧阳志凡; 余珊珊

doi:10.7544/issn1000-1239.2019.20190102

基于依存树及距离注意力的句子属性情感分类

¹(华南理工大学计算机科学与工程学院广州 510640)
²(广东药科大学医药信息工程学院广州 510006) (sujd@scut.edu.cn)

基金项目: 广东省自然科学基金项目(2015A030310318)；广东省科技厅应用型科技研发专项资金项目(20168010124010)；广东省医学科学技术研究基金项目(A2015065)

详细信息

中图分类号: TP183
计量
- 文章访问数: 1614
- HTML全文浏览量: 3
- PDF下载量: 718
出版历程
- 发布日期: 2019-07-31

Aspect-Level Sentiment Classification for Sentences Based on Dependency Tree and Distance Attention

¹(College of Computer Science and Engineering, South China University of Technology, Guangzhou 510640)
²(College of Medical Information Engineering, Guangdong Pharmaceutical University, Guangzhou 510006)

摘要

摘要: 目前基于注意力机制的句子属性情感分类方法由于忽略句子中属性的上下文信息以及单词与属性间的距离特征，从而导致注意力机制难以学习到合适的注意力权重.针对该问题，提出一种基于依存树及距离注意力的句子属性情感分类模型(dependency tree and distance attention, DTDA).首先根据句子的依存树得到包含属性的依存子树，并利用双向GRU学习句子及属性的上下文特征表示；根据句子中单词和属性在依存树中的最短路径确定相应的语法距离及位置权重，同时结合相对距离构造包含语义信息和距离信息的句子特征表示，并进一步利用注意力机制生成属性相关的句子情感特征表示；最后，将句子的上下文信息与属性相关的情感特征表示合并后并通过softmax进行分类输出.实验结果表明：DTDA在国际语义评测SemEval2014的2个基准数据集Laptop和Restaurant上取得与目前最好方法相当的结果.当使用相关领域训练的词向量时，DTDA在Laptop上的精确率为77.01%，在Restaurant上的准确率为81.68%.
- 深度学习 /
- 属性情感分类 /
- 注意力 /
- 依存树 /
- 自然语言处理
Abstract: Current attention-based approaches for aspect-level sentiment classification usually neglect the contexts of aspects and the distance feature between words and aspects, which as a result make it difficult for attention mechanism to learn suitable attention weights. To address this problem, a dependency tree and distance attention-based model DTDA for aspect-level sentiment classification is proposed. Firstly, DTDA extracts dependency subtree (aspect sub-sentence) that contains the modification information of the aspect with the help of dependency tree of sentences, and then uses bidirectional GRU networks to learn the contexts of sentence and aspects. After that, the position weights are determined according to the syntactic distance between words and aspect along their path on the dependency tree, which are then further combined with relative distance to build sentence representations that contain semantic and distance information. The aspect-related sentiment feature representations are finally generated via attention mechanism and merged with sentence-related contexts, which are fed to a softmax layer for classification. Experimental results show that DTDA achieves comparable results with those current state-of-the-art methods on the two benchmark datasets of SemEval 2014, Laptop and Restaurant. When using word vectors pre-trained on domain-relative data, DTDA achieves the results with the precision of 77.01% on Laptop and 81.68% on Restaurant.
- deep learning /
- aspect-level sentiment classification /
- attention /
- dependency tree /
- natural language processing

HTML全文

参考文献(0)

施引文献(45)

期刊类型引用(12)

1.	刘强，朱金森，赵龙龙，沙宇晨，刘尚东，季一木. 基于字句动态特征和自注意力的情感分析方法. 数据采集与处理. 2024(01): 193-203 . 百度学术
2.	韩虎，孟甜甜. 面向语法加权图文本的方面情感三元组抽取. 北京航空航天大学学报. 2024(02): 409-418 . 百度学术
3.	郭磊，贾真，李天瑞. 面向方面级情感分析的交互式关系图注意力网络. 计算机应用. 2024(03): 696-701 . 百度学术
4.	杨锐，刘永坚，解庆，刘平峰. 基于Graph-LSTMs的双重位置感知方面级情感分类. 计算机应用与软件. 2024(04): 165-172 . 百度学术
5.	刘辉，马祥，张琳玉，何如瑾. 融合匹配长短时记忆网络和语法距离的方面级情感分析模型. 计算机应用. 2023(01): 45-50 . 百度学术
6.	代祖华，刘园园，狄世龙. 语义增强的图神经网络方面级文本情感分析. 计算机工程. 2023(06): 71-80 . 百度学术
7.	孟甜甜，韩虎，吴渊航. 面向方面抽取与情感分类的多任务联合建模. 计算机科学与探索. 2023(07): 1669-1679 . 百度学术
8.	程帆，王芳，黄树成. 基于混合编码与双通道GCN的方面级情感分析. 软件导刊. 2023(07): 15-20 . 百度学术
9.	孙天伟，杨长春，顾晓清，谈国胜. 结合共现网络的方面级情感分析研究. 计算机工程与应用. 2023(20): 111-118 . 百度学术
10.	张文钧，蒋良孝，张欢，陈龙. 一种双层贝叶斯模型：随机森林朴素贝叶斯. 计算机研究与发展. 2021(09): 2040-2051 . 本站查看
11.	韩虎，吴渊航，秦晓雅. 面向方面级情感分析的交互图注意力网络模型. 电子与信息学报. 2021(11): 3282-3290 . 百度学术
12.	巫浩盛，缪裕青，张万桢，周明，文益民. 基于距离与图卷积网络的方面级情感分析. 计算机应用研究. 2021(11): 3274-3278+3321 . 百度学术