基于TextGINConv与Kolmogorov-Arnold网络的句法语义增强模型在方面级情感分析中的应用

针对传统图卷积网络在方面级情感分析(ABSA)中忽略边缘特征和特定语义的问题，研究人员提出ESSGKA模型，创新性地融合TextGINConv边缘特征传递、双注意力机制及KAN门控融合框架，在四个公开数据集上实现性能突破，为复杂句法结构的细粒度情感分析提供新范式。

　　

在自然语言处理领域，方面级情感分析(Aspect-Based Sentiment Analysis, ABSA)如同给文本中的每个"评价对象"装上情感探测器——它能精准识别"这家餐厅价格实惠但服务差"中"价格"和"服务"分别对应的情感极性。然而，现有技术面临两大瓶颈：传统图卷积网络(GCN)像只关注电话号码簿联系人的社交网络，忽略了通话内容（边缘特征）；而注意力机制又容易受无关方面干扰，如同在嘈杂派对上难以听清特定对话。

曲阜师范大学计算机科学学院的研究人员Xiaoru Li等人发表在《Neurocomputing》的论文提出ESSGKA模型，如同为ABSA打造了"语义显微镜"和"句法导航仪"的双系统。通过TextGINConv实现依赖树边缘标签的精细化传递，配合双注意力机制捕捉全局语义与局部特征，再以Kolmogorov-Arnold网络(KAN)作为智能特征融合器，最终在Restaurant14等四个基准数据集上超越现有最优模型。

关键技术包括：(1)采用BERT编码器获取上下文表征；(2)设计面向方面的注意力机制与自注意力并行架构；(3)创新TextGINConv单元强化边缘特征传播；(4)基于KAN构建门控融合模块实现非线性特征交互。实验使用SemEval 2014等公开数据集，涵盖餐饮评论、电子产品评测等多领域文本。

【Aspect-Based Sentiment Analysis】
通过对比实验验证，传统GCN方法在MAMS多方面数据集上准确率下降显著，而ESSGKA利用边缘特征使F1值提升2.3%，证明依赖关系标签对复杂句式解析的关键作用。

【Methodology】
模型架构分析显示，TextGINConv通过边嵌入矩阵增强节点更新公式，使"主谓关系"等语法特征参与计算；KAN模块采用自适应样条函数，其动态激活特性比常规MLP提升特征融合效率17.6%。

【Experimental Setups and Datasets】
在包含矛盾情感的MAMS数据集测试中，双注意力机制使模型对冲突方面的区分度提高34%，证实全局-局部语义协同建模的有效性。

【Differences from Previous Research】
消融实验表明，移除边缘特征的模型在Laptop14数据集上性能衰减最显著（达4.1%），突显电子产品评测中"修饰关系"等语法功能的重要性。

【Conclusion】
该研究开创性地将句法边缘特征与KAN动态融合引入ABSA领域，如同为情感分析装备"语法解剖刀"和"语义调音台"。其价值不仅体现在SOTA性能提升，更在于：(1)TextGINConv为图神经网络处理语言依赖树提供新范式；(2)KAN门控机制为多模态特征融合开辟新路径；(3)双注意力架构解决了复杂文本中方面特异性建模的难题。未来可扩展至ASTE等复合任务，推动细粒度情感分析向更深层次发展。