abstract
文本摘要和情感分类都是要捕获文本的重要信息，但是在不同的水平上的。文本摘要是用一些句子表示原始文档，情感分类是给文本贴标签。
提出层次级的端到端模型进行摘要抽取和情感分类的联合学习，标签是作为文本摘要抽取的输出，情感分类依赖于摘要抽取， 情感分类放在摘要抽取上面
code：http://coai.cs.tsinghua.edu.cn/publications/
1 Introduction
文本分类和情感分类是自然语言处理中的两大任务，文本摘要主要抽取原始文本的主要信息，和抽取式摘要（从文本中抽取一部分文本出来）相比，抽象型摘要建立在内部语义信息的表示，然后使用自然语言生成技术获得摘要。我们主要关注抽象型文本摘要，情感分类是给文本贴标签，决定文本的正负，也叫观点挖掘，文本摘要和情感分类都是挖掘文本的主要意思，文本摘要使用词语和句子表示文本，而情感分类使用标签表示文本。
现有模型中，
对于抽象型的文本摘要，最流行的模型是sequence-to-sequence模型，在长文本和短文本之间学习一个映射。模型包含了一个编码器和解码器，编码器把原始文本使用潜在空间表示，解码器获得摘要，最近的一些抽象型摘要模型是sequence-to-sequence模型的变体，对于情感分类，最近使用最多的是神经网络结构，比如LSTM，CNN。
一些工作提出的模型可以产生摘要和情感标签，但是，摘要抽取和情感分类是分开的，并且需要人工抽取特征，也有一些工作是情感摘要，从特定的类中的文本抽取句子，这主要关注摘要抽取，而不是情感分类。
本工作主要是提高文本摘要和情感分类，提出层次级的端到端网络，包含了摘要层和分类层，抽取层将原始文本压缩成短句子，情感分类层再总结层一个标签，层次级结构建立了文本摘要和情感分类之间的关系，两个任务可以互相提高，压缩文本后，对于分类器可以更容易进行预测标签，还有，文本抽取可以获得重要和有信息的词，并且去除多余和复杂信息，这些信息对于预测有害，情感分类可以提供更重要的信息给文本摘要抽取，并且指导摘要抽取部分捕获原始文本的重要信息，这可以提高短文本和长文本之间的联系。
使用Amazon的在线语料。
本文的贡献：
1 把文本分类作为一种特殊的摘要，在同一个模型中进行情感分类和文本摘要。
2 提出multi-view的注意力机制获得文本的不同的表示，
3 实验证明我们的结果比baselines好。
2 Proposed Model
2.1 Problem Formulation
2.2 Model Overview
2.3 Text Encoder
2.4 Summary Decoder with Multi-View Attention
2.5 Summary-Aware Sentiment Classifier
2.6 Overall Loss Function and Training
3 Experiments
3.1 Datasets
3.2 Evaluation Metric
3.3 Experimental Details
优化器：Adam
learning rate=0.003
two momentum parameters：β1=0.9, β2=0.999
batch size=64
3.4 Baselines
3.5 Results
3.6 Ablation Study
3.7 Visualization of Multi-View Attention
4 Related Work