1.Hierarchical Attention Networks for Document Classification。
参考：https://zhuanlan.zhihu.com/p/53682800
注意力可以看作是一个查询方法，给定一个查询q，同key匹配得到注意力分布，然后同value的值进行加权得到最终提取到的信息。
在情感分类上，本文主要思想是设置了全局向量，
在求句子中每个单词的注意力分布时，这个全局向量可以视为：查询那个是有用的词？
在求一篇文章中每个单词的注意力分布时，这个全局向量可以视为：查询哪个是有用的句子。
网络结构：
网络结构.png
词的注意力.png
句子的注意力层同理。
句的注意力.png
- A Lexicon-Based Supervised Attention Model for Neural Sentiment Analysis
主要方法和上面比较相似。
个人认为主要是利用情感词典信息预定了正确的注意力是什么样的，所以说是有监督的注意力模型。
预定假设，注意力要体现情感极性强度，因此引入情感词典，不是情感词的词初始情感分数为0。
情感分数.png
因此主要改变的地方是loss函数。
loss函数.png
3.Bi-Directional Attention Flow for Machine Comprehension
一个阅读理解模型，适用于两个句子的情况。
比如问答、蕴含判断等。
因为有两个句子，所以在设计attention时充分考虑两个句子的融合交互。
两个矩阵：Context2query Query2Context
网友评论