Interpreting Sentiment Composition with Latent Semantic Tree

要約

センチメント分析の鍵として、センチメント構成では、含まれるサブ構成要素の分類とそれらに適用されるルールを介して構成要素の分類が考慮されます。
このような構成性は、タグなしツリーや感情ツリーを含む階層ツリーの形でこれまで広く研究されてきましたが、私たちの見解では、これらは本質的に最適ではありません。
これに対処するために、原理的な方法で感情の構成を解釈できる新しいツリー形式であるセマンティック ツリーを提案します。
意味ツリーは、異なる意味論的役割に関する特定の構成規則を記述する文脈自由文法 (CFG) の派生であり、以前の言語学的結論に従って慎重に設計されています。
ただし、通常のデータセットにはセマンティック ツリーのアノテーションがないため、セマンティック ツリーは潜在変数です。
したがって、私たちの方法では、内部アルゴリズムを介して周辺化され、分類パフォーマンスを最適化するように学習されます。
定量的および定性的な結果は、私たちの方法が通常およびドメイン適応分類の設定でベースラインと比較して優れたまたは競合する結果を達成するだけでなく、妥当なツリー説明を生成することも示しています。

要約(オリジナル)

As the key to sentiment analysis, sentiment composition considers the classification of a constituent via classifications of its contained sub-constituents and rules operated on them. Such compositionality has been widely studied previously in the form of hierarchical trees including untagged and sentiment ones, which are intrinsically suboptimal in our view. To address this, we propose semantic tree, a new tree form capable of interpreting the sentiment composition in a principled way. Semantic tree is a derivation of a context-free grammar (CFG) describing the specific composition rules on difference semantic roles, which is designed carefully following previous linguistic conclusions. However, semantic tree is a latent variable since there is no its annotation in regular datasets. Thus, in our method, it is marginalized out via inside algorithm and learned to optimize the classification performance. Quantitative and qualitative results demonstrate that our method not only achieves better or competitive results compared to baselines in the setting of regular and domain adaptation classification, and also generates plausible tree explanations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google