在本文中，我們探索了一種簡單的方法，為每個方面自動生成離散意見樹結構。用到了RL。

首先為每個方面生成離散意見樹，設方面詞的位置為[b,e]，則首先將方面跨度[b, e]作為根節點，然后分別從跨度[1,b?1]和[e+1, n]構建它的左子節點和右子節點。為了構建左子樹或右子樹，我們首先選擇span中「得分最大的元素」作為子樹的根節點，然后遞歸地對相應的span分區使用build_tree調用。（除了方面詞外其他node都是單個詞）。

關于得分分數的計算，選擇將""作為BERT的輸入得到特殊于方面詞的句子表達H，然后按照如下計算得分：

其中h是H中方面詞部分的平均池化，構建樹的這部分包含的參數有三個以及BERT參數部分。

構建樹的這一部分稱為，輸入為x和a（用于打分），輸出為一棵樹，參數 ? 包括上述參數。這一部分參數使用RL進行更新而不是最終損失函數的反向傳播。

生成樹以后開始正式執行預測任務，模型非常簡單。

將上面得到的樹生成鄰接矩陣，經過GCN（可能多層），取最后一層GCN的輸出結果的方面詞部分以及[CLS]這個token的表達之和作為query，與GCN的輸入的初始向量特征（也就是原句子經過句子編碼器得到的）做注意力機制，用輸入去表達最終的方面級分類特征。

最后輸出分類結果

損失函數：

注意這個論文分為兩個模塊，第一個是生成樹，利用得到t；第二部分是預測， ，這里的 θ 包括GCN模塊的參數和輸出（等式5）的部分，PS注意力模塊沒有引進參數哦。

第二部分使用上述損失函數進行優化，由于樹的采樣過程是一個離散的決策過程，因此它是不可微的，第一部分使用的是RL進行優化。

強化學習實現訓練部分還沒看。

實驗效果和分析

MAMS 開發集效果

在MAMS數據上和多語言評論數據的結果

SemEval數據集上的效果

和span-based RL作對比

圖3a和圖3b分別顯示了方面術語“scallops”的induced tree和dependency parse：

圖4a和圖4b顯示了兩個情緒極性不同的方面術語的induced tree:

aspect 和 opinion word的距離分析：

基于MAMS的測試集分類精度與訓練集中各方面頻率的關系：

審核編輯：郭婷