aspect-level层级的分类，分为两种，一种是term-target级别，即term存在于文本中；另一种是aspect-category级别，即aspect不存在于文本当中。
semeval评测会议有相关数据集和任务，大多数论文都使用这些数据集：2014、2015、2016
1、Attention-based LSTM for Aspect-level Sentiment Classification
最基本的框架，lstm+attention
2、Aspect Level Sentiment Classification with Deep Memory Network
在lstm+attention，引入多跳机制，同时使用位置信息（自我感觉位置信息很重要）
3、Interactive Attention Networks for Aspect-Level Sentiment Classification aaai2017
使用交互机制，context-target-attention和target-context-attention。一方取平均值，另一方每个词与这个平均值进行交互。
4、Aspect Level Sentiment Classification with Attention-over-Attention Neural Networks
同时使用交互机制，但是比3更细一些，每个aspect词都要与context进行交互，得到一个矩阵。
5、Learning to Attend via Word-Aspect Associative Fusion for Aspect-based Sentiment Analysis
使用了fusion attention机制，待理解。
6、Aspect Based Sentiment Analysis with Gated Convolutional Networks
attention的方法，但是又略有不同。向量中每一个维度都有一个权重。
7、基于多注意力卷积神经网络的特定目标情感分析
使用位置、词性、aspect这3种注意力，得到文本的更新表示，然后这3个表示，通过同构或异构的方式送入卷积网络，max-pooling。
8、Effective LSTMs for Target-Dependent Sentiment Classification
左右两边分布lstm，然后concat
9、Gated Neural Networks for Targeted Sentiment Analysis
左右两边分别bi-lstm后，然后使用gate进行选择，gate进行选择的时候会用到target信息，
10、Attention Modeling for Targeted Sentiment
左边，右边，全体分别与aspect进行attention，得到3个表示，然后使用一个gate得到这3个的权重
11、 Left-Center-Right Separated Neural Network for Aspect-based Sentiment Analysis with Rotatory Attention 还没有发表
对于target的表示，分别用left和right与其交互，所以最好得到4个表示，然后concat
2、Aspect Level Sentiment Classification with Deep Memory Network
12、Recurrent Attention Network on Memory for Aspect Sentiment Analysis
在2的基础上改进，attention中target的更新，不是简单的相加，而是使用了一个gru结构来进行更新。
7、基于多注意力卷积神经网络的特定目标情感分析
13、Feature-based Compositing Memory Networks for Aspect-based Sentiment Classification in Social Internet of Things
每个词有个position向量，sentiment向量，词性POS向量，基本方法是lstm+att+多跳机制。
14、Feature-enhanced attention network for target-dependent sentiment classification
词向量、sentiment向量、词性，位置position向量，lstm后得到文本向量，情感词向量，target向量，每个以其他两个为依据计算attention，所以得到3个加权之后的向量表示，然后连接。
15、Targeted Aspect-Based Sentiment Analysis via Embedding Commonsense Knowledge into an Attentive LSTM
16、Implicit Syntactic Features for Targeted Sentiment Analysis
隐式表达语法信息
17、Recurrent Entity Networks with Delayed Memory Update for Targeted Aspect-based Sentiment Analysis
entity networks的应用
18、A Hierarchical Model of Reviews for Aspect-based Sentiment Analysis
每个文本由多个review组成，每个review先进行bi-lstm，然后多个review之间再lstm，输入同时包括review相对应的target
19、一种用于基于方面情感分析的深度分层网络模型
作者在18的基础上进行改进，先cnn再lstm，但是lstm的输入多了一项s，s：文本整体上进行lstm的最后一个结果，但是这个lstm时，hi会和target进行结合再输入到下一个。略微复杂
20、Aspect Sentiment Classification with both Word-level and Clause-level Attention Networks ijcai2018
这个比较简单，就是先识别出多个clause，每个clause代表一个target的review，然后每个clause应用lstm-att，然后clause之间再应用lstm-att，但是aspect始终是同一个，并没有像18一样每个review有自己的aspect。
21、Document-level Multi-aspect Sentiment Classification by Jointly Modeling Users, Aspects, and Overall Ratings
引入了user、整体评论打分信息。和22有点像，每个d和一个aspect有一个classier，k个aspect得到k个classier（类似于multi-task）。先是word-level，att的时候有user和aspect信息，然后是sentence-level，得到文本表示后，和整体评分r向量和user向量结合。
22、Document-Level Multi-Aspect Sentiment Classification as Machine Comprehension
一个文本d有多个aspect，每个d和一个aspect作为输入得到一个classiser，k个aspect得到k个classier。内部有点复杂
23、A Position-aware Bidirectional Attention Network for Aspect-level Sentiment Analysis
作者想强调位置信息的引入，但是吸引我的是网络架构：先给每个target的每个词得到一个权重，然后target和context进行交互得到一个句子，在target每个词下，文本每个词都有一个相对应的权重，然后加权相加得到该词下的文本表示。最后，target中每个词有一个权重，然后有一个对应的文本表示，加权相加得到最后的文本表示。
24、Effective Attention Modeling for Aspect-Level Sentiment Classification
作者的意思是单独平均target向量，可能不能很好的捕捉target的语义，于是重新定义了一个矩阵aspect，k*d, k是aspect的个数，得到target的一个重新表示，然后再做lstm+att。
25、Enhanced Aspect Level Sentiment Classification with Auxiliary Memory
作者提出要同时使用aspect和target两方面的信息，因为一般只有一个，对于只有target信息，初始化一个aspect矩阵，target与aspect进行attention，得到aspect的加权表示，然后这2个表示一起与context进行attention，其实这个**对于category来说很适用。
26、Transformation Networks for Target-Oriented Sentiment Classification
作者不断更新文本中每个单词的表示，根据target，最后用一个cnn来进行提取。
| Model | semeval2014-laptop | semeval2014-res(t) | semeval2014-res(c) | semeval2015 | semeval2016 | dong | vo zhang |
|---|---|---|---|---|---|---|---|
| 1 | -------------------- | / | 84.0 | / | / | ------ | ------ |
| 2 | 72.37 | 80.95 | / | / | / | ------ | ------ |
| 3 | 72.1 | 78.6 | / | / | / | ------ | ------ |
| 4 | 74.5 | 81.2 | / | / | / | ------ | ------ |
| 5 | 68.8 | 75.44 | 81.29 | / | / | ------ | ------ |
| 6 | 69.14 | 77.28 | 79.67 | / | / | ------ | ------ |
| 7 | 68.22 | 79.17 | / | / | / | ------ | ------ |
| 8 | / | / | / | / | / | 71.5 | / |
| 9 | / | / | / | / | / | 71.96 | |
| 10 | / | / | / | / | / | 73.6 | 75 |
| 11 | 75.24 | 81.34 | / | / | / | ------ | ------ |
| 12 | 74.49 | 80.23 | / | / | / | ------ | ------ |
| 13 | 73.94 | 82.03 | / | / | / | ------ | ------ |
| 14 | / | / | / | / | / | ------ | ------ |
| 15 | / | / | / | / | / | ------ | ------ |
| 16 | / | / | / | / | / | 72.8 | 74.3 |
| 23 | 74.12 | 81.16 | / | / | / | ------ | ------ |
| 24 | 72.57 | 80.63 | / | / | / | ------ | ------ |
| 25 | 74.45 | 82.32 | 86.33 | / | / | ------ | ------ |
| 26 | 76.54 | 80.79 | 86.33 | / | / | ------ | ------ |
1、针对term-target级别，有一个想法：来自Gated-Attention Readers for Text Comprehension这篇文章，target不更新，而是更新每个词多次，有1篇文章就是这个思路：Transformation Networks for Target-Oriented Sentiment Classification
2、针对category-aspect级别，暂时有一个思路，还在写代码。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent