【论文阅读】Earlier Attention? Aspect-Aware LSTM for Aspect Sentiment Analysis (IJCAI 2019)

Basic Information

• Authors:  Bowen Xing , Lejian Liao , Dandan Song , Jingang Wang,  Fuzhen Zhang , Zhongyuan Wang , Heyan Huang
• Institution:  Beijing Institute of Technology,  Meituan-Dianping Group        
• Conference/Journal:  IJCAI 2019          
• Cite: Xing B, Liao L, Song D, et al. Earlier Attention? Aspect-Aware LSTM for Aspect Sentiment Analysis[J]. arXiv preprint arXiv:1905.07719, 2019.

Introduction

这篇论文是关于aspect-level的sentiment analysis。所谓的aspect，通常分为两种，一种是target，就比如例子“ Great salad but the soup tastes bad ”中的salad和soup都是在句子中给定的；另外一种就是category，比如例子“ Although the dinner is expensive, waiters are so warm-hearted!”其中要进行分析的aspect是price和service两个，这在句子中间没有出现，通常是事先确定的。    现在的Aspect sentiment anaysis通常对aspect的处理分为直接级联和使用attention加进来，而且很多使用的都是LSTM进行编码。在LSTM的编码过程中，当遇到了它觉得比较重要的词，就会将信息保存在cell里面，然后传递给下面的cell。但是这个重要是针对整句话的语义信息比较重要，而不是针对当前的aspect比较重要，所以即使编码之后使用attention机制可以得到较为理想的attention，也还是会存在无用信息的干扰。所以这里就提出了一个aspect-unaware的问题。这里给出了两个例子。还是对于“ The salad is so delicious but the soup is unsatisfied”这句话，在对soup这个aspect进行分析的时候，由于delicious对整个句子的语义也有很大的影响，所以也会在编码过程中保留下来，即使后来可以给unsatisfied比较大的权重，但是delicious这部分的信息也会保留在最后的表示中，并被放大。另外一个例子是“Pizza is wonderful compared to the last time we enjoyed at another place, and the beef is not bad, by the way.”这句话中Pizza的部分明显比beef部分多很多，所以在对beef进行分析的时候就会存在很多的无用信息，而且beef本身的信息会被弱化。

Method    

所以这篇文章提出了一个Aspet-aware LSTM，对原来的LSTM做了一些改进，在编码的时候就加入了aspect信息。下面是AA-LSTM的单元结构图：

单元结构的上半部分就是传统的LSTM的结构图，所以AA-LSTM只是在原来LSTM的三个门的地方，用相同的操作也设计了三个门，用sigmoid函数控制aspect信息的流入，来将aspect信息加到原来的门中。右边是对应的公式，可以看出来，公式1,3,7是新增加。以输入门为例，a就是控制aspect流入输入门的。并且在整个单元构中，aspect只是用来控制信息流，并没有融入到最后的输出中。这篇文章中说，这样的结构可以提取出和当前aspect相关的关键信息，并且过滤掉无关的信息。
Experiments    下面就是文章的实验部分，他是选取了现有的三个模型，将其中的LSTM替换成AA-LSTM进行了对比实验，也直接用AA-LSTM进行了分类。实验结果表明是比LSTM的好的，而且只用AA-LSTM比现有的ATAE-LSTM好，证明了在编码过程中考虑aspect信息可能比之后的attention更有效。

Comments

其实我觉得这篇论文的创新点只有一个，就是对LSTM的一点改进，但是它的问题说的很清楚，强调的点也很明确。