Untersuchung eines gemeinsamen neuronalen Modells für die Satzebene Diskursparsung und Sentimentanalyse

Diskursparsen und Sentimentanalyse sind zwei grundlegende Aufgaben im Bereich der natürlichen Sprachverarbeitung, die sich gegenseitig als vorteilhaft erwiesen haben. In dieser Arbeit entwerfen und vergleichen wir zwei neuronale Modelle, die beide Aufgaben gemeinsam lernen. In dem vorgeschlagenen Ansatz erstellen wir zunächst eine Vektorrepräsentation für alle Textsegmente im Eingabesatz. Anschließend wenden wir drei verschiedene rekursive neuronale Netze an: eines zur Vorhersage der Diskursstruktur, eines zur Vorhersage von Diskursrelationen und eines zur Sentimentanalyse. Schließlich kombinieren wir diese neuronalen Netze in zwei unterschiedlichen gemeinsamen Modellen: Multi-Tasking und Pre-Training. Unsere Ergebnisse auf zwei etablierten Korpora zeigen, dass beide Methoden jeweils eine Verbesserung in den einzelnen Aufgaben ermöglichen, wobei Multi-Tasking jedoch einen stärkeren Einfluss als Pre-Training zeigt. Insbesondere bei der Diskursparsen beobachten wir eine Verbesserung bei der Vorhersage der Menge kontrastiver Relationen.