Effektive LSTMs zur zielabhängigen Sentimentklassifikation

Die zielabhängige Sentimentklassifikation bleibt eine Herausforderung: Die semantische Zugehörigkeit eines Ziels zu seinen Kontextwörtern in einem Satz zu modellieren. Verschiedene Kontextwörter haben unterschiedliche Einflüsse auf die Bestimmung der Sentimentpolarität eines Satzes gegenüber dem Ziel. Daher ist es wünschenswert, die Verbindungen zwischen Zielwort und Kontextwörtern beim Aufbau eines Lernsystems zu integrieren. In diesem Papier entwickeln wir zwei zielabhängige Long Short-Term Memory (LSTM) Modelle, bei denen die Zielinformation automatisch berücksichtigt wird. Wir bewerten unsere Methoden an einem Benchmark-Datensatz von Twitter. Empirische Ergebnisse zeigen, dass die Modellierung der Satzdarstellung mit standardmäßigen LSTMs nicht gut funktioniert. DieIntegration von Zielinformationen in LSTMs kann die Klassifikationsgenauigkeit erheblich steigern. Die zielabhängigen LSTM-Modelle erreichen Leistungen auf höchstem Niveau, ohne syntaktische Parser oder externe Sentiment-Lexika zu verwenden.