Verbesserung der Rezensionsrepräsentationen durch Nutzer- und Produktaufmerksamkeit für die Stimmungsanalyse

Neuronale Netzwerkmethoden haben bei der Sentiment-Klassifizierung von Bewertungen große Erfolge erzielt. Kürzlich konnten einige Arbeiten durch die Einbeziehung von Nutzer- und Produktdaten zur Generierung einer Bewertungsrepräsentation Verbesserungen erreichen. Allerdings beobachten wir in Bewertungen, dass bestimmte Wörter oder Sätze starke Nutzervorlieben widerspiegeln, während andere eher auf Produktmerkmale hinweisen. Diese beiden Informationsarten spielen unterschiedliche Rollen bei der Bestimmung des Sentiment-Labels einer Bewertung. Es ist daher nicht sinnvoll, Nutzer- und Produktdaten gemeinsam in eine einzige Repräsentation zu kodieren. In dieser Arbeit schlagen wir ein neues Framework vor, um Nutzer- und Produktdaten zu kodieren. Zunächst wenden wir zwei separate hierarchische Neuronale Netze an, um zwei Repräsentationen zu generieren: eine mit Nutzer-Aufmerksamkeit und eine mit Produkt-Aufmerksamkeit. Anschließend entwickeln wir eine kombinierte Strategie, um beide Repräsentationen optimal für das Training und die endgültige Vorhersage zu nutzen. Die experimentellen Ergebnisse zeigen, dass unser Modell offensichtlich bessere Leistungen als andere state-of-the-art Methoden auf den Datensätzen IMDB und Yelp erbringt. Durch die Visualisierung der Aufmerksamkeit über Wörter, die sich auf den Nutzer oder das Produkt beziehen, bestätigen wir unsere oben genannte Beobachtung.请注意，"state-of-the-art" 是一个在德语中也常用的英语术语，通常直接使用而不进行翻译。如果您希望将其翻译为德语，可以使用 "stand der technik"。