深度學習情感分類常用方法（綜述）

論文原文：Deep Learning for Sentiment Analysis: A Survey

原文地址：https://arxiv.org/ftp/arxiv/papers/1801/1801.07883.pdf

（1）文檔級情感分類：

主要方法如下圖所示：

（2）語句級情感分類

Socher et al           semi-supervised Recursive Autoencoders Network (RAE) 得到了一個降維句子向量表示

Socher et al           Matrix-vector Recursive Neural Network (MVRNN) 每個詞與樹結構中的矩陣向量相關（樹結構通過外部解析器獲得）

Socher et al           Recursive Neural Tensor Network 基於張量的compositional functions可以更好地捕捉元素間的關系

Qian et al               ①Tag-guided Recursive Neural Network (TG-RNN) 根據語句的詞性標注選擇一個composition function

                             ②Tag-embedded Recursive Neural Network / Recursive Neural Tenser Network (TE-RNN/RNTN) 學習tag embeddings，然后將tag embeddings和word                                    emdeddings結合起來

Kalchbrenner et al   Dynamic CNN (called DCNN) 使用動態k-Maxpooling operator作為非線性二次采樣

Kim                       CNN-rand： word embeddings隨機初始化
　　　　　　　　　　CNN-static：word embeddings預訓練並且固定

　　　　　　　　　　CNN-non-static：word embedding 預訓練並且fine-tuned

　　　　　　　　　　CNN-multichannel：

Santos and Gatti     Character to Sentence CNN (CharSCNN)

Wang 　　　　　　   LSTM  模擬詞語交互

Wang et al              CNN-LSTM

　　　　　　　　　　 a joint CNN and RNN architecture  短文本

Guggilla et al           LSTM- and CNN-based deep neural network model  （Word2vec and linguistic embeddings）

Huang et al             encode the syntactic knowledge (e.g., part-of-speech tags) in a treestructured LSTM to enhance phrase and sentence representation

Akhtar et al 　　　　several multi-layer perceptron based ensemble models for fine-gained
　　　　　　　　　　sentiment classification of financial microblogs and news.

（3）Aspect Level（特征級）情感分類

與文檔級和語句級情感分類不同，特征級情感分類需要同時考慮情感信息和目標信息。這里的目標指的是實體或實體特征，簡稱為aspect。

在深度學習情感分類中，Aspect Level情感分類可分為三個任務：

①表示目標的語境詞：可用文本表示方法解決

②生成目標表示：可用學習目標嵌入表示（與詞嵌入類似）

③識別特定目標的重要情感語境詞：可用注意力機制

eg: the screen of iPhone is clear but batter life is short.

‘clear'是'screen'的情感語境詞，對於目標特征'screen'而言，則情感是積極的

‘short'是‘batter'的情感語境詞，對於目標特征‘batter'而言，則情感是消極的

相關論文方法如下：