Aspect Level Sentiment Classification with Deep Memory Network

本文详细介绍了记忆网络在情感分析中的关键步骤,包括向量转换、内容与位置注意力机制,以及实验中AspectLevel情感分类的提升。通过数据比较和可视化,展示了位置信息对模型性能的影响,并总结了相关领域的研究进展和向量空间组合的重要性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在这里插入图片描述

论文阅读准备

前期知识储备

在这里插入图片描述

学习目标

在这里插入图片描述

论文导读

论文研究背景、成果及意义

在这里插入图片描述
在这里插入图片描述

数据集
在这里插入图片描述
在这里插入图片描述
关于memory network
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

论文泛读

在这里插入图片描述
摘要核心
在这里插入图片描述

论文精读

论文算法模型总览

在这里插入图片描述
在这里插入图片描述
每一跳都将原始向量都输入进去

论文算法模型细节

细节一:

向量转换
在这里插入图片描述
向量转换中一个是Aspect Vectors,另一个是Context Word Vectors

计算层
在这里插入图片描述

细节二

注意力

  • Content Attention
    在这里插入图片描述
    说明了context word的两种作用。
  • Location Attention
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    情感分类
    在这里插入图片描述

实验设置及分析

实验数据

在这里插入图片描述
在这里插入图片描述

比较

在这里插入图片描述
在这里插入图片描述

实验结果及分析

运行时间分析
在这里插入图片描述
位置注意的影响
在这里插入图片描述
可视化注意力模型
在这里插入图片描述
加入location信息后的结果:
在这里插入图片描述
实验结果及分析
在这里插入图片描述
在这里插入图片描述

相关工作

Aspect Level情感分类

在这里插入图片描述
在这里插入图片描述

向量空间组合性

在这里插入图片描述

注意和记忆网络

在这里插入图片描述

实验总结

在这里插入图片描述
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值