Resumen

La clasificación del sentimiento a nivel de aspecto tiene como objetivo identificar la polaridad del sentimiento de una reseña expresada hacia un objetivo. En los últimos años, los métodos basados en redes neuronales han tenido éxito en la clasificación del sentimiento a nivel de aspecto, y estos métodos se dividen en dos tipos: el primero tiene en cuenta la información del objetivo para el modelado del contexto, y el segundo modela el contexto sin tener en cuenta la información del objetivo. Se concluye que el primero es mejor que el segundo. Sin embargo, la mayoría de los modelos relacionados con el objetivo sólo se centran en el impacto del objetivo en el modelado del contexto, mientras que ignoran el papel del contexto en el modelado del objetivo. En este estudio, introducimos un modelo de red neuronal interactiva denominado LT-T-TR, que divide una reseña en tres partes: el contexto izquierdo con la frase objetivo, la frase objetivo y el contexto derecho con la frase objetivo. Y la interacción entre el contexto izquierdo/derecho y la frase objetivo es utilizada por un mecanismo de atención para aprender las representaciones del contexto izquierdo/derecho y la frase objetivo por separado. Como resultado, se capturan las palabras más importantes del contexto izquierdo/derecho o de la frase objetivo, y los resultados en los conjuntos de datos de ordenadores portátiles y restaurantes demuestran que nuestro modelo supera a los métodos más avanzados.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:frase objetivo, contexto de derechos, clasificación de sentimientos de nivel, información objetivo, modelización del contexto, papel del contexto, modelo de red neuronal, objetivo, año reciente, mecanismo de atención
• Keywords:target phrase, rights context, level sentiment classification, target information, context modelling, role of context, neural network model, target, recent year, attention mechanism