基于双重对比学习的超图卷积网络在方面级情感分类中的创新应用

《Knowledge-Based Systems》：Dual Contrastive Learning-based Hypergraph Convolutional Network for Aspect-based Sentiment Classification

本文提出了一种创新的双重对比学习超图卷积网络（Dual Contrastive Learning-based HyperGraph Convolutional Network, DCL-HGCN）模型，通过构建统一超图结构整合句法、语义和情感特征，并引入句内-句间双重对比学习机制，有效解决了方面级情感分类（Aspect-Based Sentiment Classification, ABSC）中情感冲突与语义模糊的难题。该模型在五个基准数据集上展现出优越性能，为细粒度情感分析提供了新的技术路径。

　　

Highlight

本研究创新性地将超图结构与双重对比学习相结合，在方面级情感分类（ABSC）任务中实现了多维度信息融合与模糊情感解耦。超图模块通过整合句法依赖、语义相似性、词共现模式和方面引导注意力，构建了统一的关系表征体系。双重对比学习模块则通过句内超边关系组节点对比增强方面特异性极性判别，结合句间情感类别语义边界强化，显著提升了模型对复杂情感表达的解析能力。

Method

如图2所示，DCL-HGCN包含三个核心组件：超图构建模块将多种关系信号整合为柔性结构；超图卷积操作模块融合关系与序列信息；双重对比学习模块通过极性感知表征增强实现精细化情感区分。其中句内对比学习基于超图结构构建不同关系组节点的对比对，有效解耦重叠情感信号；句间对比则通过情感提示（sentiment-aware prompts）生成句子级对比对，强化类别间语义边界。

Datasets and Settings

数据集实验采用五个权威ABSC数据集，包括源自SemEval 2014的Restaurant14（14res）、Laptop14（14lap）以及Twitter用户生成内容数据集。所有数据均包含方面级情感标注（积极/中性/消极），数据集划分遵循标准基准设置以确保可比性。

Conclusion

DCL-HGCN通过超图统一建模多源语言信号，避免了对外部知识库的依赖。双重对比学习机制从句内关系解耦和句间类别区分两个维度提升了情感表征的判别力，为复杂情感组合场景下的方面级情感分析提供了有效解决方案。