30、基于分层注意力的深度神经网络模型在基于方面的情感分类中的解释

基于分层注意力的深度神经网络模型在基于方面的情感分类中的解释

1. 引言

情感分析（SA）的目标是分析一段文本，并识别文本中与特定实体相关的主要情感。基于方面的情感分析（ABSA）是SA的一个子任务，通常分为三个不同的步骤：识别情感 - 目标对、对情感 - 目标对进行分类，以及聚合情感值以提供概述。本文聚焦于用于基于方面的情感分类（ABSC）的神经网络，即负责识别特定目标极性的第二步。

ABSA的应用广泛，尽管比SA更复杂，但能带来更全面的分析。为此，有研究提出了一种混合方法，先利用领域本体识别方面和情感，将不确定的情况传递给神经网络进行情感预测。由于其高性能，该技术成为本文研究的基础。

神经网络被视为黑盒方法，用户无法基于其结构解释结果，其内部工作原理不清晰。因此，本文旨在提高对神经网络的理解，聚焦于上述混合方法中的LCR - Rot - hop++模型，属于可解释人工智能（XAI）领域。为解决这一问题，我们研究该模型能否捕捉单词与方面之间的特定信息，并利用领域本体测试其能否编码领域知识。我们使用诊断分类器来研究这些问题。

本文的主要贡献包括：聚焦于更先进的LCR - Rot - hop++模型；除了已有的诊断分类器研究，还研究领域本体中的方面是否在神经网络中编码。所有源数据和代码可从https://github.com/KunalGeed/DC - LCR - Rot - hop plus plus获取。

2. 相关工作

2.1 基于方面的情感分类

ABSC通常依赖基于知识的解决方案、机器学习或混合方法。经典机器学习模型性能一般，而最近的神经网络显著提高了分类质量。在神经网络中，长短期记忆