[论文笔记]Aspect-based Sentiment Analysis withType-aware Graph Convolutional Networks and Layer Ensemble

题目、作者

 一、Abstract

1. 以往基于神经图的研究大多只利用依赖关系，而没有考虑依赖关系的类型，并且缺乏有效的机制来区分重要关系(见后面“词与词的关系”)以及从不同层次的图模型中学习。

2. 为了解决上述问题，本文提出T-GCN。

T-GCN:一种显式地利用依赖类型的基于类型感知的图卷积网络，T-GCN使用注意力机制来区分图中不同的边（关系），并提出注意力层集成(ensemble)来综合学习T-GCN的不同层。

二、Introduction

1. GCN：对上下文信息编码的进一步增强，通常从基于由输入文本的依赖分析(dependency
parse)结果构成的图中学习远距离字词的关系。

2. 以往研究使用的GCN的缺点：

1) 忽略了依赖类型中携带的信息，并且对图中的所有词与词的关系(详见图一下方)一视同仁，可能无法区分不重要的关系(比如det、compound类型就是对于ABSA任务来说的不重要的关系)，从而误导ABSA。

2) 虽然使用多层GCN，但只使用最后一层GCN的输出，忽略了中间层的编码信息，这可能导致丢失一些必要的信息。

词与词的关系：如图一所示，依赖弧上方的英文字母便是两个词之间的关系。可以看到"menu"分别与"The"、"drink"和"limited"相连接，但由于"menu"与"limited"的依存关系是"nsubj"(名词主语)，这表明它们两个词之间的关系可能是最重要的，这有力的指导了对于方面词"menu"的情感分析

更多依存关系含义详见：NLP工具——Stanza依存关系含义详解_常鸿宇的博客-优快云博客_依存关系

3. 研究步骤：

① 通过现成的工具包获得输入文本的依赖分析结果</