面向目标依赖情感分类的多任务学习
机器学习
2019-02-11 v1 机器学习
摘要
检测并聚合非结构化社交媒体中表达的对人物、组织与事件的情感已成为关键的文本挖掘操作。早期系统检测整段文本上的情感,而近来目标特定情感更受关注。本文提出 MTTDSC,一种多任务目标依赖情感分类系统,其受助于为相关辅助任务(段落级情感分类)所学特征表示。辅助任务使用门控循环单元(GRU)并对 GRU 状态池化,随后由辅助全连接层输出段落级预测。在主任务中,这些 GRU 在词嵌入之外贡献辅助的逐词元表示。主任务拥有其独立的 GRU。辅助与主 GRU 将其状态送至为训练主任务而设的不同全连接层。利用两个辅助数据集与三个主任务基准数据集(其中之一为我们新引入)的广泛实验表明,MTTDSC 优于当前最优基线。通过词级敏感性分析,我们给出例证表明已有系统会因遗漏独立于目标表达的词汇情感而做出错误的目标特定预测。
引用
@article{arxiv.1902.02930,
title = {Multi-task Learning for Target-dependent Sentiment Classification},
author = {Divam Gupta and Kushagra Singh and Soumen Chakrabarti and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:1902.02930},
year = {2019}
}
备注
PAKDD 2019