[论文笔记-2]Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis

题目、作者

 一、Abstract

1. 【写作目的】由于依赖分析结果的不准确性以及在线评论的非正式表达和复杂性，基于依赖树的图神经网络改进有限，本文提出了一种同时考虑句法结构互补性和语义相关性的双图卷积网络（DualGCN）模型来克服这些挑战
2. SynGCN模块(具有丰富语法知识) → 减少依赖分析错误

         SemGCN模块(自注意力机制) → 捕获语义关联

     3. 此外，本文提出正交和微分正则化器，通过约束SemGCN模块中的注意分数来精确捕捉词之间的语义相关性。正交正则化器鼓励SemGCN学习语义相关的词，每个词的重叠较少。差分正则化器鼓励SEMGCN学习SynGCN未能捕获的语义特征。

二、Introduction

1. ABSA：之所以称ABSA为细粒度情感分析，因为它可以精确地识别某一方面的情感极性，而不是简单地为一个句子分配情感极性。正如图1所示，ABSA可以识别用户对某一方面的态度是好是坏

2. 注意力机制和RNN的缺陷：以往使用注意力机制(attention mechanisms)和循环神经网络(RNN)来生成特定于方面的句子表示的研究，有一个固有的缺陷：注意力机制容易受到句子中噪音的影响(噪声：对于一个方面词，一个不属于它的意见词可能更受关注，例如图一的service和reasonalbe) 

3. 在将句法依赖(syntactic dependency)知识应用于ABSA任务时，会遇到两个挑战：

1）依赖分析(dependency parse)结果的不准确性；

2）依赖树上的GCNs在对句法依赖不敏感的数据集上不能很好地工作(这是由于在线评论的非正式表达和复杂性)

 为了解决上述挑战，我们提出了dual graph convolution network (DualGCN)：

1）对于第一个挑战【第一个GCN】，我们使用依赖解析器(dependency parse