本文探索在ABSA任務中使用CNN的改進方法。針對兩大任務，作者設計了專門的模型結構以捕捉情感特征和屬性特征。具體來說，在ACSA任務中，模型通過卷積操作捕獲情感特征，同時利用GTRU單元關注關鍵信息，類似于注意力機制，但計算更為簡化。GTRU單元結合tanh和ReLU激活函數，以提升模型性能。針對ATSA任務，模型在基本結構上與ACSA任務類似，但針對aspect-term進行特別處理，增強對特定屬性的識別能力。在實驗結果部分，通過復現實驗，分析了不同設置對性能的影響。發現對aspect-term進行分詞處理可能降低性能，因為這可能導致信息損失。特別提到，作者提出了GTRU單元以優化模型性能，但實驗顯示效果并不明顯。作者還嘗試了激活函數順序的交換，發現雖然效果不大，但GTRU單元更易于解釋，tanh函數的輸出值域與情感極性相匹配，而ReLU函數則適用于捕捉屬性信息。總結，雖然作者代碼維護可能存在問題，但研究為ABSA任務的改進提供了參考，特別是激活函數的應用和模型結構設計。歡迎討論和反饋，參考文章的相關信息。