Aspect-based Sentiment Analysis with Type-aware Graph Convolutional Networks and Layer Ensemble 阅读笔记

菅田将暉_

于 2022-01-24 16:43:23 发布

阅读量3.2k

点赞数 2

CC 4.0 BY-SA版权

文章标签：自然语言处理深度学习 nlp

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Mr_Suda/article/details/122642103

1.Introducton

本文是2021年会议NAACL上的一篇文章。在这篇文章中，作者提出了一种具有多层结构的类型感知图卷积神经网络模型（T-GCN）。

2.Model

2.1 Type-aware Graph Construction

这一部分主要介绍如何构建类型感知图。我们知道，在以往的文章中，学者们更多的是关注词与词的依赖关系，从而忽略了词与词之间的关系类型。如果只是关注依赖关系，那么就无法判断词与词之间关联的重要性，从而会误导模型的“判断”。本文中作者通过三个步骤向我们介绍了关系类型图的构建。

首先：通过一些现有的工具包，从而获得依赖结果 $\left(x_{i}, x_{j}, r_{i, j}\right)$ 。

其次：作者使用了 $\mathbf{A}=\left\{a_{i, j}\right\}_{n \times n}$ 作为领接矩阵来存放 $x_{i}$ 和 $x_{j}$ 的依赖关系，如果 $x_{i}$ 和 $x_{j}$ 之间有依赖关系那么 $a_{i, j}$ 的值为1，否则为0。用 $\mathbf{R}=\left\{r_{i, j}\right\}_{n \times n}$ 来存放 $x_{i}$ 和 $x_{j}$ 的依赖关系类型，每一种依赖关系都对应了不同的值。

最后：为了利用关系类型，作者利用了一个转变矩阵将

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。