优文推荐 | 句法感知与知识增强的方面级情感分析

文摘科技 2024-07-17 17:36 陕西

NO.1 论文简介

随着互联网的高速发展，越来越多的人在网络上发表自己的情感观点。情感分析方法是当前研究的热点，能够挖掘文本中的情感信息。而方面级情感分析作为情感分析的一个子任务领域，能够识别出给定目标中特定方面的情感极性，相较于传统的情感分析任务更具有针对性。因此，本文提出一种基于句法感知与知识增强的双通道图卷积模型进行方面级情感分析任务。在两个图卷积网络通道上分别使用句法感知机制与知识增强自注意力机制对模型进行句法与语义上的增强，并通过信息交互机制关联两通道的输出，使得模型对与方面词相关联的重要词汇赋予更多句法与语义上的关注。此外，引入位置注意力机制，对词语进行位置上的得分权重调整，进而提高方面级情感分析任务的性能。

NO.2 主要贡献

本文提出一种双通道图卷积模型进行方面级情感分析任务，具体流程如图1所示。

图1 本文方法流程图

其中，本文的主要贡献如下：

（1）提出句法感知机制增强输入矩阵的句法信息：原始的句法依存矩阵仅由0和1组成，比较离散，且包含的句法解析信息不够深入。通过句法感知机制，模型先通过对句法依存结构进行学习，通过对句子不同依存解析类型的学习为方面词节点注入新的句法解析权重。这样得到的输入矩阵不仅能够体现某句子中两个词语是否具有依存解析关系，还能够体现这两个句子间依存解析关系的重要程度。

（2）提出知识增强注意力机制增强自注意力矩阵的背景知识信息：知识增强自注意力层通过知识图谱重塑了自注意力矩阵。知识图谱的加入能够为方面词的背景信息进行补充，从而帮助模型为与方面词之间语义相关的词语赋予更多的关注，具体体现在自注意力矩阵中。与方面词相关且更加重要的词语会被赋予更高的权重值，从而提高模型对评论语句的情感极性判断能力。

（3）通过信息交互层有效结合双通道信息：信息交互层能够帮助句法感知通道与知识增强通道实现信息的有效交换与结合，提升模型情感分析的性能。与原始双通道图卷积模型之间采用双仿射模块信息交互的方法不同，信息交互层通过交互矩阵加权，充分融合两通道输出的信息，实现句法和语义上的信息交换结合。最终将经过交互后的输出与原始输出相加，能够在保留自身信息的同时，充分学习句法或语义信息，帮助模型充分理解句子信息。

（4）提出位置注意力机制帮助模型学习更加重要的词语信息：位置注意力机制能够通过单词与方面词的位置关系区分不同的单词对于方面词情感分类不同的重要程度。通过得分函数将其重要性进行量化，并与情感方面表示相加，充分融合信息以帮助模型关注更加重要的词语。

NO.3 研究结论

在三个公开数据集Rest14、Lap14、Twitter上进行同类模型的对比实验以及消融实验，相较于其他方面级情感分析模型，本文模型在准确率与F1值都有较为明显的提升。且通过实验表明，融合句法感知与知识增强的双通道图卷积模型能够进行更加深入的语义学习与合理的权重分配，从而提高方面级情感分析任务的性能。

NO.4 论文资助