吴杭鑫，张云华

（浙江理工大学 信息学院，杭州310018）

0 引 言

方面信息提取［1］是从给定原始文本中提取出表征实体、实体属性或反映实体某一侧面的信息。方面信息是方面情感的直接受体，一般为一个词语或者短语。例如，在句子“今天的晚餐既美味又实惠”中，“美味”和“实惠”分别评价了晚餐的两个不同侧面，且赋予了正向的情感极性，所以可作为方面信息提取出来。

方面提取任务是方面级别情感分类任务的前提和基础。近年来随着互联网的发展，越来越受到业界的关注。早期的研究人员主要采用基于语义特征的方法来训练模型［2-4］。但此类模型的性能受人为定义特征的影响较大，相对费时、费力，且对于研究人员的操作能力与资源质量有着较强的依赖性。近期，性能表现较好的方面提取算法，主要以基于词共现网络和基于图的方法为主［5-7］。

受上述方法的启发，本文提出基于词嵌入和自注意力机制的方面提取算法（World Embedding and Self-attention Model for Aspect Extraction，简 称WESM），主要工作如下：

（1）利用基于词汇共现网络的来进行方面提取，相较于传统的主题模型，能够有效克服短文本存在稀疏性等特点，可以发现一些不常见的主题。

（2）引入自注意力机制，解决由于长距离依赖问题而造成的上下文信息忽略问题，能够充分捕捉词的上下文语义信息。

（3）应用细粒度的汽车评论数据集及来自购物网站的抓取数据集，与当前主流相关算法进行了比较。实验结果表明，所提出的WESM模型的性能优于相关工作，适合于方面提取任务。……