Seunghan Lee

Seunghan Lee

Deep Learning, Data Science, Statistics

Document level Multi aspect Sentiment Classification by Jointly Modeling Users, Aspects, and Overall Ratings (2018)

Contents

  1. Abstract
  2. Introduction
    1. 소비자 리뷰
    2. Multi-task Learning
    3. HUARN 간단 소개
  3. Data & Observation
    1. Data
    2. Observation
  4. Methods
    1. Formalizations
    2. Multi-task Learning Framework
    3. 사용한 모델 ( Hierarchical Bidirectional Gated Recurrent Network )
    4. 모델 상세 소개


0. Abstract

Document-level multi-aspect sentiment classification

  • 목적 : “다양한 측면(aspect)”에서 소비자의 감정을 예측하기!

  • 기존의 연구들 : 주로 “리뷰 text 그 자체”에만 주로 focus

    ( 한계 : 리뷰의 전체 평점(overall rating)과 리뷰 남긴사람의 선호(user preference)을 고려 X )


위의 한계를 극복하기 위해 논문은, HUARN (Hierarchical User Aspect Rating Network)를 제안

  • user preference & overall rating을 jointly하게 고려한 알고리즘
  • 계층적 (hierarchical) 구조를 사용함
    • 구조 : word / sentence / document
  • sentence 및 document representation을 얻기 위해, user attention & aspect attention 사용
  • GOAL : document representation + user + overall rating, 3가지 사용하여 aspect rating 예측하기!

1. Introduction

(1) 소비자 리뷰

소비자 리뷰를 남기는 플랫폼이 많아지고 있음

  • ex) Trip advisor & Yelp

이러한 리뷰를 자동적으로 분석할 필요성이 높아지고 있음!

( 리뷰의 형식 예시 )

figure2


(2) Multi-task Learning

  • “다양한” task를 푸는 “하나”의 모델

  • document-level multi-aspect sentiment classification 문제를 푸는데 적절한 방법

    • input : 동일한 review
    • output : 여러 종류의 aspect sentiment

  • 핵심 : aspect-specific document representation

    • ex) 5문장으로 된 리뷰에서, 제품의 “발림성”과 관련된 내용은 3번째 문장에 주로 담겨있고,

      제품의 “가격”과 관룐된 내용은 2번째 문장에 주로 담겨있을 수 있다!

      따라서, “속성 별”로 document representation이 있을 필요가 있다!


(3) HUARN 간단 소개

  • abstract에서 얘기한 그대로!

  • Contribution 3가지

    • 1) document-level multi-aspect sentiment classification을 수행하기 위해, Trip advisor review를 사용함 ( 유저 & 전체 평점 정보 사용 )

    • 2) user preference와 overall rating을 “하나의 모델”에 통합시킨 첫 시도!
    • 3) real world dataset에 적용하니 GOOD


2. Data & Observation

(1) Data

Trip Advisor의 2가지 dataset을 사용함

( 둘 다 7가지 속성 (value, room, location….service)을 담고 있음 )

  • data 1) TripDMS : 유저 정보 X
  • data 2) TripOUR : 유저 정보 O

figure2


(2) Observation

[a] user preference

user별 2 가지 성향

  • 1) user-rating consistency : 후하게 주는 사람은 늘 후하게~ 박한사람은 늘 박하게~
  • 2) user-text consistency : 주로 사용하는 단어들이 사람별로 차이


위의 2가지 유저 성향 확인을 위해, 아래와 같은 가설검정을 수행함!

  • (1) 3개의 vector를 만든다 ( \(\mathbf{v}_{s}\), \(\mathbf{v}_{r}\) , \(\mathbf{v}_{a}\) )

    • \(\mathbf{v}_{s_i}\) : 동일한 유저 \(i\)한테서 남겨진 두 리뷰 \(\left(d_{i}\right.\) and \(\left.d_{i}^{+}\right)\) 로부터 얻어짐
    • \(\mathbf{v}_{r_i}\) : 유저 \(i\)한테서 남겨진 리뷰 \(\left(d_{i}\right.\) ) 와, 다른 random 리뷰
    • \(\mathbf{v}_{a_i}\) : random한 속성

  • (2) user-rating consistency 계산

    ( notation : \(y\), \(y^{+}\), \(y^{-}\)는 각각 \(d,d^{+},d^{-}\)의 감정 )

    • \(\mathbf{v}_{s}\) 는 \(\mid \mid y-y^{+} \mid \mid\)로 계산
    • \(\mathbf{v}_{r}\) 는 \(\mid \mid y-y^{-} \mid \mid\)로 계산

  • (3) user-text consistency

    • 두 리뷰의 bag-of-words의 코사인유사도

  • (4) 가설 검정 수행

    • 방법 : two-sample t-test

    • \(H_{0}: \mathbf{v}_{s}=\mathbf{v}_{r}\).

      \(H_{1}: \mathbf{v}_{s}<\mathbf{v}_{r}\).

    • 유저 정보가 있는 dataset인 TripOUR에 대해 수행한 결과, ( 유의수준 \(\alpha=0.01\) ) 기각함!

    • 결론 : 유저 정보 유의미하다!


figure2


[b] overall ratings

유저는 전체 평점(overall rating)을 남길 때, 여러 요소를 동시에 고려한다

  • overall rating can “partly reflect” the user’s attitude to aspects
  • 이를 overall rating prior라고 부르겠다!

위의 사항을 실제로 확인해본 결과,

  • 전체 평점 5점/5점 준 사람은, 70%이상의 aspect에서 별 4점~5점/5점을 줌


3. Methods

HUARN 알고리즘에 2가지의 정보( 유저 정보 & overall ratings )를 사용함

알고리즘 소개 순서

  • 순서 1) formalizations of document-level multi-aspect sentiment classification
  • 순서 2) multi-task learning framework
  • 순서 3) 사용한 모델 아키텍쳐
  • 순서 4) 모델 상세 소개

figure2


(1) Formalizations

( 위 그림의 빨간 네모 (Fig3-a) )

Notation 소개

  • corpus \(D\) of 특정 domain ( ex. 호텔 )
  • \(m\)개의 속성 ( \(\left\{a_{1}, a_{2}, \ldots, a_{m}\right\}\) )
  • 특정 review \(d\) ( = sample of \(D\) )
    • 총 \(n\)개의 문장으로 구성됨 ( \(\left\{s_{1}, s_{2}, \ldots, s_{n}\right\}\) )
      • 그 중 하나의 문장 \(s_{i}\)는 \(l_{i}\) 개의 단어로 구성됨 ( \(\left\{w_{i 1}, w_{i 2}, \ldots, w_{i l_{i}}\right\}\) )
  • overall rating (전체 평점) : \(r\)
  • 해당 리뷰 작성자 : \(u\)


(2) Multi-task Learning Framework

( 위 그림의 파란 네모 (Fig3-b) )

document-level multi-aspect sentiment classification 문제를 multi-task learning 문제로써 푼다!

  • 각 aspect rating 맞추기 = 하나의 classification task
  • (공통) 서로 같은 document encoder network
  • (task별(=속성별)) 서로 다른 softmax classifier


(3) 사용한 모델 ( Hierarchical Bidirectional Gated Recurrent Network )

( 위 그림의 주황 네모 (Fig3-c) )

  • 계층적 구조를 반영함! ( we model the semantics of a document through a hierarchical structure from word-level, sentence-level to document-level )

  • bi-GRU를 사용함 ( for 문장 & 문서 representation 임베딩 )


큰 흐름 3줄 요약

  • 1) 문장 \(s_{i}\)가 주어졌을 때, 각 단어 \(w_{i j}\) 를 vector \(\mathbf{w}_{i j}\)로 임베딩한다
  • 2) 그런 뒤, Bi-GRU를 사용해서 hidden representation \(\mathbf{h}_{i j}\) 얻어낸다
  • 3) 모아진 Hidden states \(\left\{\mathbf{h}_{i 1}, \mathbf{h}_{i 2}, \ldots \mathbf{h}_{i l_{i}}\right\}\) 를 average pooling하여 sentence representation \(\mathbf{s}_{i}\) 얻어냄
  • 4) 모아진 sentence vectors \(\left\{\mathbf{s}_{1}, \mathbf{s}_{2}, \ldots, \mathbf{s}_{n}\right\}\)를 Bi-GRU로 넣어서 마찬가지로 document representation \(\mathbf{d}\) 를 얻어냄


(4) 모델 상세 소개

[a] User / Aspect / Overall rating 인코딩하기

모든 단어가 각 문장에, 그리고 모든 문장이 각 문서에 “동일한 영향 미치지 X”

유저별로도 차이 존재. ( user-text consistency )

user-text consistency 를 고려하고, aspect-specific representation을 만들 기 위해,

  • (1) user attention
  • (2) aspect attention

을 수행한다.


(1) Word-level Attention

  • user \(u\) and aspect \(\left\{a_{k} \mid k \in 1,2, \ldots, m\right\}\) 를 각각 vector \(\mathbf{u}\) and \(\mathbf{a}_{k}\)로 임베딩
  • word-level hidden states \(\left(\mathbf{h}_{i j}\right)\) 를 average pooling layer로 넣지 않고, user-aspect attention

\(\begin{aligned} \mathbf{m}_{i j} &=\tanh \left(\mathbf{W}_{w h} \mathbf{h}_{i j}+\mathbf{W}_{u} \mathbf{u}+\mathbf{W}_{a} \mathbf{a}_{k}+\mathbf{b}_{w}\right) \\ \alpha_{i j} &=\frac{\exp \left(\mathbf{v}_{w}^{T} \mathbf{m}_{i j}\right)}{\sum_{j} \exp \left(\mathbf{v}_{w}^{T} \mathbf{m}_{i j}\right)} \\ \mathbf{s}_{i}^{k} &=\sum_{j} \alpha_{i j} \mathbf{h}_{i j} \end{aligned}\).

  • \(\mathbf{W}_{w h}, \mathbf{W}_{w u}, \mathbf{W}_{w a}\) and \(\mathbf{b}_{w}\) : parameters in the attention layer
  • \(\alpha_{i j}\) : importance of the \(j\) -th word for user \(u\) and aspect \(a_{k}\)
  • \(\mathbf{s}_{i}^{k}\) : representation of sentence \(s_{i}\) for aspect \(a_{k}\)


(2) Sentence-level Encoder & Attention

\(\begin{aligned} \mathbf{t}_{i} &=\tanh \left(\mathbf{W}_{s h} \mathbf{h}_{i}^{k}+\mathbf{W}_{s u} \mathbf{u}+\mathbf{W}_{s a} \mathbf{a}_{k}+\mathbf{b}_{s}\right) \\ \beta_{i} &=\frac{\exp \left(\mathbf{v}_{s}^{T} \mathbf{t}_{i}\right)}{\sum_{i} \exp \left(\mathbf{v}_{s}^{T} \mathbf{t}_{i}\right)} \\ \mathbf{d}_{k} &=\sum_{i} \beta_{i} \mathbf{h}_{i}^{k} \end{aligned}\).

  • \(\beta_{i}\) : importance of the \(i\) -th sentences for user \(u\) and aspect \(a_{k}\).


(3) Concatenation Layer

  • user-rating consistency와 overall rating prior를 explicitly하게 인코딩하기 위해!

  • \(\mathbf{c}_{k}=\mathbf{u} \oplus \mathbf{r} \oplus \mathbf{d}_{k}\).

    • user embedding \(\mathbf{u}\)
    • rating embedding \(\mathbf{r}\)
    • document vector \(\mathbf{d}_{k}\)


[b] Document-level Multi-aspect Sentiment Classification

위를 통해, review 별로 & 속성 별로 representation을 얻어냄

  • \(k\) 번째 review의 (속성 별) representation들 : \(\left\{\mathbf{c}_{k} \mid k \in 1,2, \ldots, m\right\} .\)
  • user, aspect, overall rating and document 정보가 모두 반영되어 있는 representation이다


속성 \(a_k\) 에 대한 최종 예측 :

  • \(\mathbf{p}(d, k)=\operatorname{softmax}\left(\mathbf{W}_{l k} \mathbf{c}_{k}+\mathbf{b}_{k}\right)\).


Loss Function : cross entropy

  • \(L=-\sum_{d \in D} \sum_{k \in\{1,2, \ldots, m\}} \sum_{l=1}^{L} \mathbb{1}\left\{g_{d, k}=l\right\} \cdot \log \left(p_{l}(d, k)\right)\).
    • \(p_{l}(d, k)\) : predicted probability of sentiment class \(l\) for \(d\) based on \(a_{k}\)
    • \(\mathbf{W}_{l k}, \mathbf{b}_{k}\) : parameters of softmax layer for classifying review \(\mathbf{c}_{k}\)
    • \(g_{d, k}\) : ground truth label for review \(d\) for aspect \(a_{k}\).

You May Also Enjoy

less than 1 minute read

2 minute read

4 minute read

1 minute read