论文列表——sentiment analysis

情感分类属于文本分类的一个应用场景，一般都是人（用户）对某些具体事物（商品、事件）表达某些情感。落地场景是很多的。这学期最开始是做stance detection相关的工作，而其中target-specific stance detection和情感分类中的aspect-based sentiment analysis是很相关的，而AIC的比赛又正好是这个后者，所以顺便调研了下sentiment analysis。在此列出读论文的列表，部分论文直接列出一些简单的笔记，这些论文可读性不强（方法过于简单，或者论文本身的贡献不在方法上，没有太多记录成笔记的价值…），部分论文会逐步完善，给出简单的阅读笔记。阅读价值评分纯粹是基于自己对于文章的理解，标准包括：动机、方法、数据集质量、实验安排、相关工作等，满分为5（相对评分，即分值高低仅反映论文在以下列表中的可读价值，并不一定说明这篇文章有多好）。列表如下：

名称	所属会议(来源)	类型	时间	阅读价值	笔记
Deep Learning for Sentiment Analysis: A Survey			2018	5	Survey
Deep Memory Networks for Attitude Identification	WSDM	long paper	2017	3.5	attitude identification，感觉和aspect情感分类差不多，都有target对象。本文通过memory network联合建模了target识别、情感分类两个任务。在情感分类、stance detection、debate数据集上取得了较好效果。模型图画得很复杂，其实结构是很直观的。相当于先识别target（找到相关表述），再将该部分输出作为情感分类模块的输入。target和两个模块中的计算都进行了attention的交互。可以参看该文的参考文献。
User modeling with neural network for review rating prediction	IJCAI	long paper	2015	3	哈工大的工作，直接看该组在同年ACL的文章即可，是该篇加强版
End-to-end adversarial memory network for cross-domain sentiment classification	IJCAI	long paper	2017	4	情感分类中的迁移学习。本文重点是找pivot，即在不同domain中都常出现的表达情感的词。通过设置memory network，使得模型能够捕捉重点词。通过设置情感分类和domain分类两个网络，并设置对抗学习目标。两个模型在共享权重的前提下，情感分类侧重区分情感（数据为source domain的labeled data），domain分类通过引入GRL来使模型混淆无法区分domain，从而学习到domain-transferable的特征表示（数据来自两个domain的unlabeled data）。无论动机、模型还是最后的实验结果、分析，本文都十分出色。值得多多参考学习。
Aspect Sentiment Classification with both Word-level and Clause-level Attention Ne