CodeTutor

解决问题：给定评论文本，不仅抽取其中的aspects，并且得到对应的sentiment。这里的aspect不同于Hu (2004)中直接提取的，而是事先指定好的，和目前写的论文解决的是同一类问题。方法：三种递归神经网络，RNN，MV-RNN，RNTN，在句法树的根节点得到每个文本的向量representation，然后作为分类器的输入。模型的目标函数是交叉熵损失。

这是Tang Duyu 在2015发表在TASLP上的一篇文章。中心思想是通过同时训练句子划分和句子分类解决句子中短语和其构成单词情感不一致的问题。文章提出的句子情感分类方法包含三部分：候选生成模型，划分排序模型，情感分类器。在介绍部分，作者说是为了解决句子中短语及其组成部分的情感不一致问题。对于模型的使用也有两种方法，一个是训练，一个是预测。首先讲训练过程。为每个句子生成至少

本文总结：这篇文章采用LSTM解决一个句子针对target情感分类问题，在构造句子向量表示时不仅考虑target单词，而且考虑了target vector和每个上下文单词之间的connection。本文解决的问题是给定句子中的aspect term，判断该句子针对该aspect的情感。共三类：positive，negative，neutral。本文的创新点在于将目标单词和上下文单词之间的语

hahhahha

基于aspect的情感分析指的是挖掘句子中涉及的aspect，以及对每个aspect表现出来的情感。现有的工作一般把这个任务分成两个部分：aspect识别，可以是aspect term提取或者aspect分类；aspect的情感识别。aspect term提取指的是从原文本中直接提取涉及到的aspect的单词或词组，而aspect分类指的是为每个领域预定义aspect种类，然后对每个句子进行分类（

amazon 评论IMDB：Yelp：SemEval

Unsupervised word and dependency path embeddings for aspect term extractionYin 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

Hu and Liu在2004年发表的两篇文章，MiningOpinion Features in Customer Review ，另一篇是这篇文章的扩展版本，Miningand Summarizing Customer Reviews。两篇文章介绍的东西基本没什么区别。这两篇文章的目的，不仅仅是为了得到句子的positive/negative，还想得到一个针对特征的总结，feature-b

本文使用无监督方法解决aspect分类问题、生成 aspect相关形容词并判断形容词的极性。总结：本文使用无监督学习并考虑了aspect和sentiment之间的交互，解决aspect检测并自动生成和每个aspect高度相关的包含positive形容词和negative形容词的种子集。aspect检测是通过在句子级别应用的local LDA模型，生成aspects上的一个分布，并且对每个asp

本文旨在介绍对文本进行成分句法分析, 得到适合递归神经网络的二叉句法树的过程.这是我第一篇论文的baseline中的一个模型,对如何得到二叉句法树纠结了好久,好吧,自己效率有点低. 首先,在网上搜了搜,知道做parsing可以用nltk自带的几种工具,如递归下降句法器,移动归约句法器,chart句法器等.但是需要自己定义上下文无关的文法,自己尝试了定义,但是数据集中的一些句子并不适用,即找不到符合