NLP论文（情感分析）：《Survey on Aspect-Level Sentiment Analysis》 笔记

论文

NLP论文笔记合集（持续更新）

原论文：《Survey on Aspect-Level Sentiment Analysis》

介绍

2015年10月01日发表的文章，是情感分析的综述。

模型结构

文章翻译

Abstract

情感分析领域在过去的几年里受到了广泛的关注，它从文本中收集、分析和聚合情感。该领域的相应增长导致了不同子领域的出现，每个子领域处理不同层面的分析或研究问题。此调查侧重于 aspect-level 情感分析，其目标是发现并汇总文档或文档的 aspect 中提到的实体的情感。本文对当前的最新技术进行了深入的概述，展示了在寻找目标（可以是实体本身，也可以是实体的某个 aspect）和相应的情感方面已经取得的巨大进展。aspect-level 情感分析产生非常细粒度的情感信息，可用于各种领域的应用。当前的解决方案根据它们是否提供 aspect 检测、情感分析或两者兼而有之的方法进行分类。此外，还提供了基于所用算法类型的细分。对于每个讨论的研究，报告的性能都包括在内。为了便于对各种被提出的方法进行定量评估，呼吁对评估方法进行标准化，包括使用共享数据集。讨论了以语义概念为中心的 aspect-level 情感分析，并将其确定为未来最有希望的研究方向之一。

5 Conclusions

从本次调查中呈现的最先进的 aspect-level 情感分析的概述可以看出，该领域正在超越其早期阶段。虽然在某些情况下，提出了一种能够联合执行 aspect 检测和情感分析的整体方法，但在其他情况下，为这两项任务中的每一项提供了专用算法。本次调查中描述的大多数方法都是使用机器学习对语言进行建模，这并不奇怪，因为语言是一种非随机、非常复杂的现象，有大量数据可供使用。后者尤其适用于无监督模型，这在本次调查中得到了很好的体现。

我们要强调，在评价方法和数据集方面需要透明和标准化，以便就目前的最新技术得出坚定的结论。SemEval[13]、[14]或GERBIL[15]等提供受控测试环境的基准方案是如何实现这一目标的光辉范例。

在考虑 aspect-level 情感分析的未来时，我们预计将从传统的基于单词的方法转向语义丰富的以概念为中心的 aspect-level 情感分析[95]。例如，在“此手机不适合我的口袋”中，可以确定讨论的 aspect 是手机的大小。然而，这句话所表达的负面情绪，与手机应该放在口袋里这一事实有关，似乎很难找到基于单词的方法。与这个问题相关的是，指出推理功能的需要，这是反讽的一个尚未解决的研究问题。在[96]中，提出了一个概念模型，明确地对期望进行建模，这是有效检测反语所必需的。这也是从传统的基于单词的方法到自然语言处理语义模型的一步。虽然以概念为中心的语义方法最近才开始出现（例如，本体被用于改进 aspect 检测[97]），但它们应该能够应对这一挑战，因为语义方法自然地集成了常识知识、一般世界知识和领域知识。

将以概念为中心的方法与机器学习的力量相结合，将产生能够在全新水平上对语言和概念进行推理的算法。这将允许未来的应用程序处理复杂的语言结构，并利用可用的人工创建的知识库。此外，这将使许多应用领域能够受益于从 aspect-level 情感分析中获得的知识。

相关的笔记

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API