aspect term extraction——最近两篇结合依存树和CRF的文章

Unsupervised word and dependency path embeddings for aspect term extraction

Yin Yichun, 2016

本文解决的问题是aspect term提取问题，总的来说转换成了序列标注问题，应用CRF算法解决。

总结：本文将aspect term抽取问题看成序列标注问题，并采用CRF方法解决，在向CRF输入每个单词的特征时，不仅仅用词向量，还考虑更丰富的上下文信息，比如邻居单词的词向量，和上下文单词的依存关系信息。具体实现上，是通过无监督学习，得到词向量和依存路径的向量表示。在为每个单词选择特征时，不仅考虑其词向量，而且考虑线性上下文特征和依存上下文特征。以这些特征作为CRF的输入，进行序列标记。创新点在于训练依存路径的向量表示。

1、词向量和依存路径向量的无监督学习

（注，本文不是学依存路径，而是学习依存关系，依存路径是通过利用循环神经网络对依存关系进行组合得到的，怎么能说学路径的表示呢？！）

取两个单词之间的最短依存路径，组成三元组。依存路径的向量是组合向量compositionality，文中采用循环神经网络得到路径向量。无监督学习的训练目标是让gold三元组的得分最高（负采样），这样经过对大量数据的学习，可以得到词向量和路径向量。当然，路径数随着跳数指数增长，文中只考虑跳数小于3的路径对应的三元组。