Recurrent Entity Networks mit verzögertem Gedächtnisupdate für die gezielte aspect-basierte Stimmungsanalyse

Während neuronale Netze beeindruckende Ergebnisse bei der Satz-Level-Sentimentanalyse erzielt haben, bleibt die gezielte aspektbasierte Sentimentanalyse (TABSA) – die Extraktion feingranularer Meinungspolaritäten in Bezug auf eine vordefinierte Menge von Aspekten – eine schwierige Aufgabe. Angeregt durch jüngste Fortschritte bei speicherergänzten Modellen für das maschinelle Lesen, schlagen wir eine neuartige Architektur vor, die externe „Memory Chains“ mit einem verzögerten Speicheraktualisierungsmechanismus zur Verfolgung von Entitäten nutzt. Bei einer TABSA-Aufgabe zeigt das vorgeschlagene Modell erhebliche Verbesserungen im Vergleich zu den bislang besten Ansätzen, einschließlich solcher, die externe Wissensbasen verwenden.