属性级别情感分类是情感分析领域中的一个细粒度任务,旨在于给定一个句子和一个属性的情况下,判定句子中关于该属性的情感倾向。由于属性的情感倾向需要同时考虑上下文信息和属性信息,因此在属性级别的情感分类任务中的一个关键要素就是刻画属性和上下文之间的关系。为了解决这个问题,注意力机制将属性作为注意力计算目标,使得注意力模型能够直接学习到属性和上下文之间的关联,从而针对每个属性生成不同的情感特征表示。注意力机制取得了非常优异的表现,成为了目前属性级别情感分类任务中最好的方法。本文针对当前注意力机制在属性级别情感分类任务中应用时,以属性的词向量作为属性的特征表示方式过于简单,导致模型无法学习到合适的注意力权重问题,提出了依存子树注意力网络(Dependency Subtree Attention Networks,DSAN)模型。DSAN模型首先从句子的依存树中抽取了包含属性和属性修饰信息的依存子树(属性子句),然后利用双向GRU网络建模属性子句生成准确的属性特征表示,并针对依存子树表示方式的属性采用了点乘注意力计算函数,从而使得模型可以学习到合适的注意力权重分配方式。此外,DSAN模型还将属性和单词在句子依存树中的句法距离作为属性的位置信息输入,针对性地为每个属性提供位置权重加权的属性定制的上下文特征表示,帮助模型更灵活的预测同一个句子中的多个属性情感。为了进一步提高模型的属性情感分类效果,本文还针对应用领域训练了合适的词向量来帮助模型获得更好的属性情感分类表现。实验结果表明,DSAN模型在国际语义评测SemEval2014的两个基准数据集中取得了与目前最好方法相当的结果。此外,使用相近领域语料训练的Word2vec-skipgram词向量后,DSAN模型取得了当前最好的结果,在Laptop数据集中取得了76.96%的准确率,在Restaurant数据集中取得了81.43%的准确率。