---恢复内容开始---
摘要
我们引入了用于方面级别情感分类的深度记忆网络。 不像基于特征的SVM和顺序神经模型（如LSTM），这种方法在推断方面的情感极性时明确地捕获每个上下文单词的重要性。 这种重要度和文本表示是用多个计算层计算的，每个计算层都是外部存储器上的神经注意模型。 laptop 和 restaurant 数据集上的实验表明，我们的方法与基于先进特征的SVM系统相当，并且远远优于LSTM和基于注意力的LSTM架构。 在两个数据集上，我们表明多个计算层可以提高性能。 而且，我们的方法也很快。 具有9层的深度记忆网络比具有CPU实现的LSTM快15倍。
1、前言
LSTM对每个单词的处理是一样的，但是显然在Aspect level 的情感处理时，每个单词对判断目标对象的情感极性是不一样的。比如，在句子“餐馆的饭很好吃，但服务很差。”中，当目标是“服务”时，“差”这个词对判断目标的极性时就非常重要。
2、记忆网络
记忆网络并不是一个全新的概念，它是由Weston et al 在2014提出。
https://blog.csdn.net/guoyuhaoaaa/article/details/57933118
---恢复内容结束---