طبقه‌بندی احساسات سطح جنبه با یادگیری تقویتی

چکیده - هدف از طبقه‌بندی احساسات، پیش‌بینی قطبیت احساس یک جنبه خاص در یک جمله است. با این حال، بیشتر روش‌های موجود بر روی اطلاعات کل جمله تمرکز دارند نه بخشی که دقیقا جنبه مزبور را توصیف می‌کند. شناسایی نگاشت بین یک جنبه و یک بخش جمله دشوار است. علاوه بر این، این روش‌ها در معرض نویز در جمله قرار دارند. برای کاهش این مشکل، ما یک رویکرد جدید را پیشنهاد می‌کنیم که بخش‌های ویژه‌ای از جمله را برای طبقه‌بندی احساسات سطح جنبه در یک چارچوب یادگیری تقویتی مدل‌سازی می‌کند. رویکرد ما شامل دو بخش است: یک مدل استخراج بخش جنبه (ASE) و یک مدل طبقه‌بندی احساسات جنبه (ASC). به طور خاص، مدل ASE بخش مربوطه را با یادگیری تقویتی استخراج کرده و بخش استخراج‌شده را به مدل ASC می دهد. سپس مدل ASC پیش‌بینی سطح بخش را ایجاد کرده و به مدل ASE پاداش می‌دهد. نتایج تجربی نشان می‌دهند که روش پیشنهادی ما می‌تواند بخش را به طور موثر استخراج کند و در نتیجه عملکرد مطلوبی را بدست آورد. علاوه بر این، ما یک درک شهودی از این که چرا مدل ASE برای طبقه‌بندی احساسات در سطح جنبه موثرتر است، ارائه می‌کنیم.

Abstract—Aspect-level sentiment classification aims to predict
the sentiment polarity of a given aspect in a sentence. However,
most of the existing methods focus on the information of the
entire sentence rather than a segment that describes the aspect,
making it difficult to identify the mapping between an aspect
and a segment. Moreover, these methods are prone to the
noise in the sentence. To alleviate this problem, we propose a
novel approach that models the specific segments for aspect-level
sentiment classification in a reinforcement learning framework.
Our approach consists of two parts: an aspect segment extraction
(ASE) model and an aspect sentiment classification (ASC) model.
Specifically, the ASE model extracts the corresponding segment
with reinforcement learning and feeds the extracted segment
into the ASC model. Then, the ASC model makes the segmentlevel prediction and provides rewards to the ASE model. The
experimental results indicate that our proposed approach can
extract the segment towards the aspect effectively, and thus
obtains competitive performance. Furthermore, we provide an
intuitive understanding of why our ASE model is more effective
for aspect-level sentiment classification via case studies.