A Survey on Aspect-Based Sentiment Classification

Posted on Edited on In Word count in article: 915 Reading time ≈ 3 mins.
The essay reviews methods for analyzing sentiments tied to specific aspects or features of entities, such as product components. It introduces Aspect-Based Sentiment Classification (ABSC), a fine-grained approach to sentiment analysis that focuses on identifying and classifying sentiments about specific aspects. The paper categorizes ABSC models into three groups: knowledge-based models, machine learning models (including SVMs and deep learning), and hybrid approaches that combine both.The essay also discusses key challenges, such as handling implicit aspects, processing sentences with multiple aspects, and dealing with complex language structures. Recent advances in deep learning and transformer models are highlighted as major contributors to improving performance in ABSC tasks. Finally, the essay points to future directions, suggesting a focus on better aspect detection, handling implicit aspects more effectively, and improving the scalability of ABSC models.

Abstract

Aspect-based sentiment classification (ABSC) - 自动从文本提取高细粒度情感信息

ABSC 分为三类：knowledge-based, machine learning, and hybrid models.

讨论 ABSC 模型性能，和解释, ex: Transformer, hybrid dl models

Introduction

情感分析（Sentiment Analysis）

情感分析的任务是从文本中提取并分析人们对特定实体的情感，通常涉及情感极性(e.g., “positive”, “neutral”, or “negative”)的分类。

情感分析任务的粒度可以用三个独立的特征来描述:情感类型、任务级别和目标。

情感分析可以在多个层次上进行，包括文档层次（document-level）（整个文档的情感）、句子层次（sentence-level）（每个句子的情感）、以及词语、段落或文本块等更细粒度的层次。

可能没有情感目标(target of the sentiment)，任务需要为文本本身分配情感分数(sentiment score)或标签(label)，也可以是针对特定主题、实体或文本中的方面进行分析，这被称为基于方面的情感分析（Aspect-Based Sentiment Analysis, ABSA）。

ABSA 通过识别文本中的特定方面（如产品的不同特性）来分析相关情感，提供更细致的信息。

意见挖掘（Opinion Mining）

意见指对特定问题的看法。

ABSA 可以在文档层次和句子层次上进行，文档层次关注总体方面的情感，句子层次则逐句处理各个方面的情感。ABSA 的主要任务分为方面提取、情感分类和情感汇总，本文主要集中讨论情感分类步骤，即基于方面的情感分类（ABSC）。

尽管已有多篇关于ABSA的综述，专注于ABSC的综述更能深入评估其模型。当前唯一专注于ABSC的综述集中于深度学习技术，但忽略了一些如Transformer模型等重要技术。为此，本文提出了一个新的ABSC模型分类法，将模型分为基于知识、机器学习和混合模型三类，并系统比较了这些模型的架构和性能，探讨了未来的研究方向。

Input Representation

ABSA定义为每条记录 $R$ 找到的四元组$(y,a,h,t)$，y是情感，a代表情感的目标方面，h是持有者，或表达情感的个体，t代表表达情感的时间。
一条记录 $R$ 代表语料库的一个单独文本片段，短语、句子或大段文本。大多数方法的重点是找到（y, a）——即方面和相应的情感。

e.g.餐厅评论：“气氛很棒，但食物很淡”。这句话包含了两个方面：“气氛”和“食物”。最终目标是使用ABSC模型为这些方面确定情感分类。

在实际应用中，文本和方面不能直接输入分类模型，必须通过预处理将它们转换成数值形式（如特征向量）。这些特征的选择和表示对模型的分类性能至关重要。

输入表示的三大特征：

• 上下文（Context）：表示文本中的哪些单词与方面相关，如何定义上下文。

• 维度（Dimensionality）：文本表示的维度取决于模型所需的输入，比如可以是单个特征向量或特征矩阵。

• 特征类型（Feature Types）：包括词袋模型（BoW）、词嵌入等不同特征表示方法。

ABSC模型在进行情感分类前，需要对文本的方面和情感进行预处理和数值表示，而这个表示过程决定了模型的输入质量，从而影响分类结果的准确性。