aspect-based情感分析的调研

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（可以属于一个或多个aspect，也可以不属于任何aspect）。有很多相关的文献把ABSA看作两个分离的子任务，即在判断sentiment并不考虑针对的aspect的信息，这样导致分类不正确，因为同一个形容词对不同aspect或在不同领域形容不同的aspect时表达的情感是不一样的，比如，在restaurant领域，cheap在形容food时是positive的，但形容ambience时表达的是negative。所以在ABSA任务中，需要考虑aspect和sentiment 信息之间的交互。

下面分别针对每个子问题，列举现有的相关研究，从无监督、传统机器学习和深度学习三类方法进行介绍。

aspect识别：

（1）aspect term提取

无监督方法：

Hu 2004：首先从这篇ABSA开山之作开始介绍。本文同时解决了aspect term提取（原文称为feature term提取）以及情感判断问题。这里并不介绍情感判断的方法，而是留在情感识别里介绍。对接下来将要讨论的所有文献都一样。首先需要对所有的单词标注词性，并且认为feature是名词或者名词短语。首先通过关联聚类的方法，提取预料中经常出现的名词或者名词短语。

Popescu 2005：

问题：根据频率提取aspect term有如下缺点：首先，并不是所有的aspect以名词或者名词短语的形式出现，比如It is tasty，其中的aspect是通过tasty表示的，而tasty是形容词；其次，对于一个名词表示的aspect，通过频率容易得到，但是如果aspect是由多个低频的名词组合在一起的时候，频率方法并不那么有效，比如food包含各种鱼类；另外，有的aspect在文本中并不直接提及，是以抽象方式表述的，比如谈论ambience时可以不涉及任何名词。

传统机器学习方法：

深度学习方法：

（2）aspect分类

sentiment识别：