Gezielte aspektbasierte Sentimentanalyse durch Einbetten von allgemeinem Wissen in einen aufmerksamen LSTM

Die Analyse von Meinungen und Stimmungen gegenüber bestimmten Aspekten ist eine zentrale Aufgabe der natürlichen Sprachverarbeitung. In diesem Artikel stellen wir eine neuartige Lösung für die gezielte aspektbasierte Sentimentanalyse vor, die die Herausforderungen sowohl der aspektbasierten als auch der gezielten Sentimentanalyse durch die Ausnutzung von Alltagswissen (commonsense knowledge) bewältigt. Wir erweitern das Long Short-Term Memory (LSTM)-Netzwerk um eine hierarchische Aufmerksamkeitsmechanik, die aus einer Ziel-Ebene-Aufmerksamkeit und einer Satz-Ebene-Aufmerksamkeit besteht. Alltagswissen zu sentimentrelevanten Konzepten wird in den end-to-end-Trainingsprozess eines tiefen neuronalen Netzwerks zur Sentimentklassifikation integriert. Um das Alltagswissen eng mit dem rekurrenten Encoder zu verbinden, schlagen wir eine Erweiterung des LSTM vor, die als Sentic LSTM bezeichnet wird. Wir führen Experimente auf zwei öffentlich verfügbaren Datensätzen durch, wobei sich zeigt, dass die Kombination der vorgeschlagenen Aufmerksamkeitsarchitektur mit der Sentic LSTM state-of-the-art-Methoden bei gezielten aspektbasierten Sentimentaufgaben übertrifft.