01

—

研究動機(jī)

方面級情感分類（英文叫Aspect-level Sentiment Classification，簡稱ASC）旨在檢測句子中給定意見目標(biāo)的情感極性。意見目標(biāo)（也稱為方面術(shù)語）是指評論中描述實體方面的單詞或短語。如圖１所示，＂服務(wù)很好，但食物卻很糟糕＂這句話包含兩個意見目標(biāo)，即＂食物＂和＂服務(wù)＂。用戶對目標(biāo)＂服務(wù)＂的看法是正面的，而對目標(biāo)＂食物＂的看法卻是負(fù)面的。

圖1: 包含多個意見目標(biāo)的句子示例

從上面的例子中我們可以看到，一個句子有時會包含多個意見目標(biāo)，并且它們可能表達(dá)不同的情感極性，因此ASC的一個主要挑戰(zhàn)是如何為不同的意見目標(biāo)獲取到不同的情感上下文。為此，大多數(shù)方法運用注意力機(jī)制(Bahdanau et al., 2014)來捕獲與給定目標(biāo)相關(guān)的情感詞，然后將其匯總以進(jìn)行情感預(yù)測。盡管注意力機(jī)制是有效的，但我們認(rèn)為由于ASC標(biāo)注數(shù)據(jù)是有限的，因此它未能充分發(fā)揮注意力機(jī)制的潛力。眾所周知，深度學(xué)習(xí)的結(jié)果很大程度上取決于訓(xùn)練數(shù)據(jù)的多少。但是，在實際情況中，ASC數(shù)據(jù)的注釋費時且昂貴，因為注釋者不僅需要識別句子中所有的意見目標(biāo)，而且還需要判斷其相應(yīng)的情感極性。注釋困難導(dǎo)致現(xiàn)有公開的數(shù)據(jù)集都相對較小，這嚴(yán)重限制了注意力機(jī)制的潛力。

盡管缺少ASC數(shù)據(jù)，但是在線評論網(wǎng)站（例如Amazon和Yelp）可以提供大量的文檔級情感分類（DSC）標(biāo)記數(shù)據(jù)。這些評論中包含了大量的情感知識和語義模式。因此，一個有意義但具有挑戰(zhàn)性的研究問題是如何利用資源豐富的DSC數(shù)據(jù)來提升低資源任務(wù)ASC。為此，He et al. (2018) 設(shè)計了PRET + MULT框架，通過共享淺層的embedding嵌入和LSTM層將情感知識從DSC數(shù)據(jù)傳遞到ASC任務(wù)。受膠囊網(wǎng)絡(luò)的啟發(fā)(Sabour et al., 2017)，Chen and Qian (2019)提出TransCap模型，它共享底部的三個膠囊層，然后僅在最后一個ClassCap層中分離了兩個任務(wù)。從根本上說，PRET + MULT和Transcap通過共享參數(shù)和多任務(wù)學(xué)習(xí)來提升ASC，但是它們不能準(zhǔn)確地控制和解釋要傳輸?shù)闹R。

為了解決上述提到的兩個問題，在這項工作中，我們提出了一種新穎的框架，即注意力轉(zhuǎn)移網(wǎng)絡(luò)（ATN），它從DSC任務(wù)中顯式的轉(zhuǎn)移注意力知識，以提高ASC任務(wù)中意見目標(biāo)的注意力能力。與PRET + MULT和Transcap相比，我們的模型獲得了更好的結(jié)果并保留了良好的可解釋性。

02

—

解決方案

圖1顯示了注意轉(zhuǎn)移網(wǎng)絡(luò)（ATN）的總體組織結(jié)構(gòu)。在ATN框架中，我們分別采用了兩個基于注意力的BiLSTM網(wǎng)絡(luò)作為DSC和ASC的基礎(chǔ)模塊，并提出了兩種將DSC中的注意力知識遷移到ASC的新方法。

圖2: 注意力遷移網(wǎng)絡(luò)(ATN)的整體架構(gòu)

第一種遷移方法稱為注意力引導(dǎo)。具體來說，我們首先在大規(guī)模的DSC數(shù)據(jù)集上預(yù)訓(xùn)練一個基于注意力的BiLSTM網(wǎng)絡(luò)，然后利用DSC模塊中的注意力權(quán)重作為學(xué)習(xí)信號來引導(dǎo)ASC模塊更準(zhǔn)確地捕捉情感線索，從而取得很好的結(jié)果。注意力引導(dǎo)通過輔助監(jiān)督信號學(xué)習(xí)DSC模塊的注意力能力，但是，它不能在測試階段利用DSC模塊的注意力權(quán)重，并且浪費了預(yù)先訓(xùn)練的知識。為了充分利用額外的注意能力，我們進(jìn)一步提出了注意力融合方法來直接將它們合并。

這兩種方法雖然工作方式不同，但是都有各自的優(yōu)點。注意力引導(dǎo)的目的是學(xué)習(xí)DSC模塊的注意力能力，由于在測試階段不使用DSC的外部注意力，因此具有更快的推理速度，而注意力融合可以利用DSC模塊在測試階段的注意力知識，做出更全面的預(yù)測。

03

—

實驗

我們在SemEval 2014 Task 44 (Pontiki et al., 2014)的兩個ASC基準(zhǔn)數(shù)據(jù)集上評估了模型的性能。 它們分別包含來自laptop和restaurant領(lǐng)域的商品評論。我們在所有數(shù)據(jù)集中刪除了極性沖突的樣本。ASC數(shù)據(jù)集的統(tǒng)計數(shù)據(jù)如表1所示:

表1：ASC數(shù)據(jù)集的統(tǒng)計信息

為了對DSC模塊進(jìn)行預(yù)訓(xùn)練，我們使用了兩個DSC數(shù)據(jù)集，分別是YelpReview和AmazonReview(Li et al., 2018a)。DSC數(shù)據(jù)集Yelp Review包含的注意力知識遷移到ASC數(shù)據(jù)集Restaurant。而laptop的注意力知識來自AmazonReview。表2顯示了它們的統(tǒng)計信息。在這項工作中，我們采用Accuracy和Macro-F1作為評估ASC任務(wù)中不同方法的性能指標(biāo)。

表2：DSC數(shù)據(jù)集的統(tǒng)計信息

主要結(jié)果如表3所示。我們將結(jié)果分為三類：第一類列出了ASC任務(wù)的經(jīng)典方法，第二類給出了兩種基于遷移的現(xiàn)有方法，最后一類是我們的基礎(chǔ)ASC模型和兩個增強(qiáng)版本。我們分別使用ATN-AG和ATN-AF來表示使用了注意力引導(dǎo)和注意力融合的ATN。

表3：主實驗結(jié)果(%)

我們的基礎(chǔ)ASC模型－基于注意力的BiLSTM通過位置嵌入得到了增強(qiáng)，其性能優(yōu)于某些基于注意力的模型（如ATAE-LSTM和IAN）。這個結(jié)果表明位置嵌入對于在ASC任務(wù)中建模目標(biāo)信息是有益的。在此基礎(chǔ)上，我們的注意力轉(zhuǎn)移模型ATN-AG和ATN-AF在restaurant數(shù)據(jù)集上的Accuracy分別提高了約1％和2％，在laptop數(shù)據(jù)集上提高了2.8％。此外，它們超過了兩種使用了轉(zhuǎn)移知識的現(xiàn)有方法，即PRET + MULT和Transcap。

這些結(jié)果證明了我們提出的將注意力知識從資源豐富的DSC數(shù)據(jù)轉(zhuǎn)移到ASC任務(wù)的有效性。與ATN-AG相比，ATN-AF在restaurant數(shù)據(jù)集上具有更好的性能。這是合理的，因為在測試階段，ATN-AG無法利用DSC模塊的注意力權(quán)重。盡管如此，ATN-AG仍在laptop數(shù)據(jù)集上獲得了有競爭力的結(jié)果，并且推理速度比ATN-AF快。

為了研究DSC數(shù)據(jù)集大小對我們方法的影響，我們將DSC數(shù)據(jù)的百分比從0％更改為100％，以報告ATN-AG和ATN-AF的結(jié)果。臨界值0％和100％分別表示無DSC數(shù)據(jù)和使用完整的DSC數(shù)據(jù)集。結(jié)果如圖2所示:

圖3: 在不同百分比的DSC數(shù)據(jù)下ATN-AG和ATN-AF的性能

為了分析超參數(shù)λ對ATN-AG的影響，我們在[0，1]中對其進(jìn)行調(diào)整以進(jìn)行實驗，步長為0.1。 圖3顯示了restaurant和laptop數(shù)據(jù)集上具有不同λ的ATN-AG的性能:

圖4: 超參數(shù)λ對ATN-AG的影響

在ATN模型中，我們提出了注意力指導(dǎo)和注意力融合的方法，以幫助ASC模塊更準(zhǔn)確地捕獲情感線索。為了驗證這一點，我們分析了數(shù)十個測試集中的示例。與基礎(chǔ)ASC模型相比，我們發(fā)現(xiàn)注意力轉(zhuǎn)移方法可以處理低頻情感詞和諸如否定之類的復(fù)雜情感模式。表4顯示了兩個示例的注意力可視化結(jié)果以及在模型ATN-AG和ATN-AF下的相應(yīng)情感預(yù)測。

圖5: ATN-AG和ATN-AF的注意力可視化結(jié)果，較深的顏色表示較高的注意力權(quán)重

04

—

總結(jié)

標(biāo)注數(shù)據(jù)不足會限制基于注意力的模型對ASC任務(wù)的有效性。 本文提出了一種新穎的注意力轉(zhuǎn)移框架，其中設(shè)計了兩種不同的注意力轉(zhuǎn)移方法，以利用資源豐富的文檔級情感分類語料庫中的注意力知識來增強(qiáng)資源貧乏的方面級情感分類的注意力過程，最終達(dá)到改善ASC性能的目標(biāo)。 實驗結(jié)果表明，我們的方法優(yōu)于最新技術(shù)。 進(jìn)一步的分析驗證了從DSC數(shù)據(jù)轉(zhuǎn)移注意力知識到ASC任務(wù)的有效性和好處。

責(zé)任編輯：xj

原文標(biāo)題：【COLING2020】面向方面級情感分類的注意力轉(zhuǎn)移網(wǎng)絡(luò)

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。