SA

---

思路

• 不同于以往将attention直接加在分类器上，针对情感分类的特点：只有部分 情感单词及副词 决定情感分类结果，提出新的基于注意力的情感分类模型，在embeddings层增加注意力机制，学习单词对情感分类的重要程度。
• 传统模型： input layer-> embeddings layer -> LSTM layer -> attention layer -> predict layer.
• 新模型： input layer-> embeddings layer + attention layer -> sum layer -> predict layer.

---

sentiment and attention

• sentiment + attention.ipynb

  • 实验（模型及结果），实验1为新模型，其他为对比模型，结果如下表：

model	acc（%）	total params	说明
实验1：new method(embeddings+Attention)	89.12	6,020,251	提出的新模型，结果最优，参数少
实验2：baseline(new method 去掉 attention)	85.47	6,000,301	baseline，去掉新模型中的注意力机制后的模型
实验3：baseline(LSTM)	86.09	6,219,777	LSTM模型
实验4：baseline(LSTM+Attention)	89.08	6,232,777	LSTM+attention

• results__attention-weights.md

  • attention层的结果，即，每个单词对情感分类任务的权重大小。
    从结果可以看出，对于大多数单词，可学习到对情感分类重要的单词具有较大的权重，而影响较小的具有较小的权重。

id	word	翻译	weights(前10个单词)		id	word	翻译	weights(后10个单词)
1	unwatchable	不能观看	1.4780544		19999	film	电影	-3.916907
2	pointless	无意义	1.4707756		19998	people	人	-3.877606
3	excellently	出色	1.3945274		19997	big	大	-3.5991306
4	poorly	糟糕	1.3889633		19996	one	一	-3.5805032
5	disappointing	令人失望	1.3874675		19995	fact	事实	-3.5307567
6	baldwin	鲍德温	1.3558208		19994	never	决不	-3.4727523
7	embarrassment	困窘	1.3359343		19993	end	结束	-3.471965
8	mildly	温和	1.3224405		19992	comes	来	-3.461487
9	refreshing	清爽	1.3119076		19991	girl	女孩	-3.415614
10	waste	浪费	1.3099878		19990	sure	当然	-3.3848553

data

• imdb.npz SA数据集 25000 trainset,25000 testset.