融合多重句法结构增强的方面情感分析模型MSRI-GCN研究

针对传统依赖树句法结构在方面情感分析(ABSA)任务中存在的局限性，研究人员提出多重句法关系交互图卷积网络(MSRI-GCN)，通过整合ChatGPT生成的局部关系图与依赖树全局信息，结合多头注意力机制，在Rest14等5个基准数据集上实现显著性能提升，为复杂文本情感分析提供新范式。

　　

随着社交媒体和电子商务的蓬勃发展，方面情感分析(Aspect-based Sentiment Analysis, ABSA)成为挖掘用户细粒度情感的关键技术。传统方法依赖单一依赖树句法结构，面临非标准文本解析困难、依赖矩阵稀疏等问题，导致"电脑屏幕清晰但价格太贵"这类句子中"屏幕"与"价格"的情感极性难以准确捕捉。尤其当依赖关系集中于根节点（如"lots"）时，关键方面词如"space"和"keyboard"的连接匮乏，严重影响模型性能。

针对这些挑战，中国国家社会科学基金资助的研究团队提出多重句法关系交互图卷积网络(MSRI-GCN)。该模型创新性地融合ChatGPT生成的局部关系图与传统依赖树，通过路径计算和注意力机制实现句法-语义双模态特征交互。在SemEval的Rest14、Lap14等数据集测试中，该模型较现有方法展现出显著优势，相关成果发表于《Engineering Applications of Artificial Intelligence》。

关键技术包含：1) 采用ChatGPT重构以方面词为中心的局部句法图；2) 基于邻接矩阵的节点路径计算；3) 多头注意力捕捉语义关联；4) 双仿射机制整合全局-局部特征。通过控制GPT提示词生成特定方面词的语法结构，有效避免了传统解析器的领域适应问题。

【Related work】
研究系统梳理了ABSA领域三大技术路线：基于注意力机制的语义建模（Wang等,2016）、依赖GCN/GAT的句法增强方法（Huang等,2019）、引入外部知识的联合学习框架（Liang等,2022），指出现有方法在非标准文本解析和关系强度量化方面的不足。

【Methodology】
MSRI-GCN架构包含四层特征学习：1) 全局句法层通过依赖树矩阵捕获完整句子结构；2) 局部句法层利用ChatGPT生成方面词导向的关系子图；3) 语义层通过BERT编码和多头注意力建模词间关联；4) 交互层采用双仿射机制实现特征调制，最终输出情感极性。

【Datasets】
在Rest14、Lap14等包含餐饮评论、电子产品反馈和社交媒体的多领域数据集中，模型在跨领域测试中保持稳定性能，尤其在Twitter非规范文本上F1值提升3.2%，验证其强鲁棒性。

【Conclusions】
该研究通过ChatGPT增强的局部句法建模与全局依赖树的协同学习，首次实现ABSA任务中语法结构的动态可控生成。实验证明该方法能有效缓解依赖离散性问题，使方面词相关特征的捕获效率提升17.6%。作者Hongtao Liu等提出的关系交互机制为复杂场景下的情感分析提供了新思路，其模块化设计也可扩展至ASTE（方面情感三元组抽取）等衍生任务。值得注意的是，该方法无需修改底层语言模型结构，仅通过提示工程即可实现领域自适应，这对医疗评论分析等专业场景具有重要应用价值。