论文链接：http://www.sentic.net/sentic-lstm.pdf
会议：2018 AAAI
文章对Attention机制的解释：Such mechanism takes an external memory and representations of a sequence as input and produces a probability distribution quantifying the concerns in each position of the sequence.
笔记
笔记
本文的方法：
架构图
先将句子送到双向LSTM中，接着是attention component，target级别的attention的输出作为target-level的representation，接着这个target representation和aspect embedding一起计算句子级别的attention，将整个句子转换为一个vecotr。
1. Target-level Attention
我的理解。。。原文中没有说H’ 是怎么计算的，感觉是还有另一个LSTM去计算target的隐状态
Self-attention:
Target-level attention
2. Sentence-level Attention Model
Sentence-level Attention
3. Commonsense Knowledge
常识知识，使用SenticNet
4. Sentic LSTM
增加SenticNet的信息
我的理解：本文关注一个新的问题，就是target和aspect级别的情感分析。提出了层次化的attention去做分类，并且加入了SenticNet的一些外部信息，增强了LSTM的结构。
