Effektive Aufmerksamkeitsmodellierung für die aspektbasierte Sentiment-Klassifikation

Die aspektbasierte Sentiment-Klassifikation zielt darauf ab, die Sentiment-Polarität eines Rezensions-Satzes gegenüber einem Meinungsziel zu bestimmen. Ein Satz kann mehrere Sentiment-Ziel-Paare enthalten; daher liegt die Hauptherausforderung dieser Aufgabe darin, die verschiedenen Meinungskontexte für unterschiedliche Ziele voneinander zu trennen. Hierbei hat die Aufmerksamkeitsmechanik (Attention Mechanism) in früheren state-of-the-art neuronalen Modellen eine entscheidende Rolle gespielt. Der Mechanismus ist in der Lage, die Bedeutung jedes Kontextwortes für ein Ziel durch Modellierung ihrer semantischen Assoziationen zu erfassen. Aufbauend auf dieser Forschungslinie stellen wir zwei neue Ansätze zur Verbesserung der Effektivität der Aufmerksamkeit vor. Erstens schlagen wir eine Methode zur Zielrepräsentation vor, die die semantische Bedeutung des Meinungsziels präziser erfasst. Zweitens führen wir ein Aufmerksamkeitsmodell ein, das syntaktische Informationen in den Aufmerksamkeitsmechanismus integriert. Wir testen unsere Ansätze an auf Aufmerksamkeit basierenden LSTM-(Long Short-Term Memory)-Modellen unter Verwendung der Datensätze aus SemEval 2014, 2015 und 2016. Die experimentellen Ergebnisse zeigen, dass das herkömmliche auf Aufmerksamkeit basierende LSTM-Modell erheblich verbessert werden kann, wenn die beiden vorgeschlagenen Ansätze implementiert werden.