Aspect-Level Sentimentklassifizierung mit tiefem Gedächtnisnetzwerk

Wir stellen ein tiefes Gedächtnisnetzwerk für die Aspektbasierte Stimmungsanalyse vor. Im Gegensatz zu merkmalsbasierten SVM-Modellen und sequentiellen neuronalen Modellen wie LSTM fängt dieser Ansatz explizit die Bedeutung jedes Kontextworts beim Schließen der Stimmungspolarität eines Aspekts ein. Diese Bedeutungsgrad und Textrepräsentation werden mit mehreren Rechenschichten berechnet, wobei jede Schicht ein neuronales Aufmerksamkeitsmodell über ein externes Gedächtnis ist. Experimente mit Datensätzen von Laptops und Restaurants zeigen, dass unser Ansatz vergleichbar gut abschneidet wie das aktuell beste merkmalsbasierte SVM-System und erheblich besser als LSTM- und aufmerksamkeitsbasierte LSTM-Architekturen. In beiden Datensätzen wird gezeigt, dass mehrere Rechenschichten die Leistung verbessern können. Darüber hinaus ist unser Ansatz auch schnell. Das tiefe Gedächtnisnetzwerk mit 9 Schichten ist bei einer CPU-Implementierung 15-mal schneller als LSTM.注释：- "Aspektbasierte Stimmungsanalyse" 是 "aspect level sentiment classification" 的德语翻译。- "Stimmungspolarität" 是 "sentiment polarity" 的德语翻译。- "Textrepräsentation" 是 "text representation" 的德语翻译。- "Rechenschicht" 是 "computational layer" 的德语翻译。- "externes Gedächtnis" 是 "external memory" 的德语翻译。- "Aufmerksamkeitsmodell" 是 "attention model" 的德语翻译。