摘要：方面级情感分析是一项细粒度的情感分类任务。近年来,依存树上的图神经网络被用于建模方面项及其意见项间的依赖关系。然而,这类方法通常具有高度依赖依存树解析质量的缺点。同时,大多数现有研究着重关注语法信息,忽视了情感知识在建模特定方面与上下文之间情感依赖关系中的作用。为解决以上问题,设计并提出了用于方面级情感分析的情感增强双图卷积网络。模型基于依存树与注意力机制建立双通道结构,在更为准确、高效地捕捉方面与上下文间语法与语义关联的同时减轻了模型对依存树的依赖程度。此外,模型引入情感知识用于增强图结构,帮助模型更好地提取特定方面的情感依赖关系。模型在3个公开基准数据集Rest14、Lap14、Twitter上的准确率分别达到了84.32%、78.20%、76.12%,接近或超越目前最先进的性能。实验表明,提出的方法能够合理利用语义和语法信息,在使用更少参数的情况下实现较为先进的情感分类性能。

摘要：方面级情感分析旨在分析句子中特定方面的情感极性,现有研究侧重于利用图神经网络建模上下文与方面的依赖信息,忽略了对上下文中情感词及其词性的挖掘和利用。为此,提出一种基于句法依赖的增强图(syntactic dependency enhancement graph, SDEG)模型,在原始句法依赖图上引入情感知识和词性信息,增强情感词权重和相关词性单词在上下文中的作用。使用双向长短期记忆网络和卷积神经网络捕捉句子的重点语义信息,通过图卷积神经网络建模句法依赖增强图,通过交互注意力机制生成特定方面的上下文语义和语法表示以进行情感极性分类。在多个公共基准数据集上的实验结果表明,所提模型在性能上有明显提升。