Aspect-Level Sentiment Classification for Sentences Based on Dependency Tree and Distance Attention
-
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%.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.
-
尊敬的各位审稿专家：
岁序常易，华章日新。《计算机研究与发展》向过去一年为期刊审稿的400余位专家致以最诚挚的谢意！感谢您凭借深厚的专业造诣与严谨态度从众多来稿中披沙拣金，让优质成果脱颖而出。愿新岁里，我们继续携手共进，助力计算机领域蓬勃发展！祝您新的一年里身体健康、生活幸福、工作顺利、巳巳如意！
《计算机研究与发展》编委会
《计算机研究与发展》编辑部
2025年元月
2024年本刊主要审稿专家（按拼音序）：
艾浩军 白 亮 蔡志平 曹华伟 曹家乐 曹 娟 曹军威 曹 强 曹仰杰 曹子宁 车武军 陈 果 陈海明 陈慧敏 陈佳伟 陈建铭 陈 矜 陈晋鹏 陈镜超 陈俊颖 陈 恺 陈 琳 陈 强 陈强龙 陈 思 陈 厅 陈咸彰 陈晓丰 陈 昕 陈亚楠 陈玉明 陈 震 陈智能 成秀珍 程 塨 程显毅 崔 莉 崔逊学 戴望辰 单丹枫 邓 全 邓晓衡 邓梓焌 邸志雄 丁尧相 丁 勇 东昱晓 窦 勇 杜四春 鄂金龙 范贵生 冯 君 冯 瑞 冯 勇 冯志勇 付安民 付彦伟 付印金 盖珂珂 高聪明 高 胜 高 伟 高 尉 高 祥 高云君 高志鹏 葛仕明 宫云战 郭虎升 郭晓新 郭迎春 郭玉东 哈亚军 韩 彪 韩京宇 韩先培 韩亚洪 何 强 何世柱 何水兵 何相腾 何 源 何云华 和红杰 贺 旭 侯臣平 侯越先 胡 军 胡瑞珍 胡玉鹏 胡燏翀 虎嵩林 华 宇 郇丹丹 黄 华 黄书强 黄 兴 黄萱菁 黄振亚 姬晓鹏 计卫星 冀伟清 贾 杰 贾世杰 鉴 萍 江建慧 姜进磊 蒋 瀚 蒋树强 蒋万春 金澈清 琚生根 康 凯 孔兰菊 雷 震 李 波 李城龙 李红燕 李华伟 李建江 李 京 李涓子 李绿周 李佩雅 李 强 李仁发 李树栋 李 拓 李彤阳 李 暾 李 伟 李文斌 李向阳 李小勇 李晓红 李兴权 李永伟 李友焕 李宇峰 李振华 李振宇 李直旭 李子臣 梁 彬 梁久祯 廖士中 廖 勇 林春雨 林亦波 刘 斌 刘大江 刘党辉 刘国华 刘海洋 刘 杰 刘 杰 刘惊雷 刘 凯 刘 鹏 刘 淇 刘青凯 刘 全 刘日升 刘胜蓝 刘世光 刘书昌 刘向阳 刘学艳 刘 彦 刘云浩 刘知远 卢 冶 鲁 辉 鲁明羽 陆 杰 罗剑文 罗 娟 罗四维 骆伟祺 骆祖莹 吕亚丽 吕勇强 吕志强 马 川 马多贺 马菲菲 马海平 马恒太 马华东 马千里 马晓星 毛文涛 倪巍伟 宁建廷 欧阳丹彤 潘 恒 潘伟丰 裴玉茹 彭国军 彭 蓉 彭晓晖 彭宇新 祁 磊 钱 超 钱 鸿 秦 兵 秦 波 秦 川 秦小麟 秦 宇 秦志光 邱锡鹏 瞿有利 全睿杰 任丰原 邵 超 邵奇峰 申德荣 申富饶 沈 超 沈 蒙 沈晴霓 沈艳艳 盛泳潘 施新刚 石 川 石 源 石志强 时 鹏 史颖欢 舒 坚 宋传鸣 宋凤义 宋凌云 苏 申 孙 聪 孙 新 孙毓忠 孙 哲 谭玉娟 陶建华 田海博 田志宏 童向荣 万丽莉 万少华 汪德刚 汪建平 王昌栋 王 川 王 东 王红兵 王红军 王继龙 王利民 王良民 王 凌 王 梅 王庆林 王 冉 王 睿 王 卅 王生生 王 胜 王士同 王文剑 王晓峰 王兴伟 王意洁 王 毅 王正群 魏笔凡 魏立斐 魏 巍 魏秀参 温文媖 翁 健 邬贵明 邬鸿杰 吴 斌 吴陈旺 吴晨涛 吴 飞 吴俊敏 吴 乐 吴黎兵 吴素贞 吴 英 夏道勋 向 乔 肖利民 肖晓明 肖晓强 谢鹏瑾 谢 勇 谢 昭 邢立宁 熊 虎 熊金波 徐 彬 徐 辰 徐金安 徐明伟 徐 宁 徐秋亮 徐睿峰 徐 童 许方敏 许建秋 许新征 许 莹 许长桥 玄跻峰 薛瑞尼 薛向阳 薛 霄 严 飞 严 严 颜 波 阳王东 杨 博 杨 柳 杨 威 杨潇潇 杨 燕 杨 杨 杨育彬 姚 迪 姚海龙 姚念民 姚望舒 叶翰嘉 叶青青 叶笑春 殷丽华 殷 树 殷赵霞 于彦伟 余国先 余志文 袁 博 袁 夏 原继东 岳银亮 詹乃军 张 超 张承义 张春旭 张扶桑 张福新 张广艳 张红斌 张 虎 张华平 张佳乐 张金祥 张 晶 张敬伟 张 静 张 琨 张苗苗 张敏灵 张明喆 张宁豫 张三峰 张姗姗 张 胜 张世辉 张 腾 张天成 张天明 张 彤 张 骁 张小旺 张 晓 张晓龙 张啸剑 张亚飞 张岩峰 张 颖 张悠慧 张 召 章隆兵 章 毅 赵佳琦 赵 捷 赵 姝 赵思蕊 赵 翔 郑霄龙 周江平 周 俊 周 权 周 薇 周晓波 周雅倩 朱 斐 朱海萍 朱红松 朱培栋 祝继华 祝烈煌 庄福振 邹柏贤 邹德清 因时间仓促，整理时可能有疏漏，敬请谅解!
计量
- 文章访问数: 1614
- HTML全文浏览量: 3
- PDF下载量: 718
下载:
