ATESA-B?RT：基于异构集成学习的细粒度情感分析模型及其在在线评论中的应用

【编辑推荐】针对在线评论中多维度情感极性识别难题，研究团队提出异构集成学习模型ATESA-B?RT，通过分解ATE（Aspect Term Extraction）和ATSA（Aspect Term Sentiment Analysis）两个子任务，整合BERT/BART预训练模型与BiLSTM/CNN架构，在公开数据集上实现超越现有方案的性能突破，为电商舆情分析提供新工具。

　　

随着电子商务的蓬勃发展，海量在线评论成为消费者决策的重要参考。传统情感分析(Sentiment Analysis)虽能判断整体评论倾向，却难以捕捉"手机拍照清晰但续航差"这类多维度评价的复杂情感。这种细粒度的方面级情感分析(Aspect-Based Sentiment Analysis, ABSA)面临两大挑战：同一文本中多个方面术语(Aspect Term)的精准提取，以及针对每个术语的独立情感极性判定。现有单一模型在处理此类复杂语义时，常因忽略上下文依赖或特征提取不充分导致性能受限。

为此，研究人员开发了ATESA-B?RT异构集成学习模型。该研究创新性地将ABSA任务解耦为方面术语抽取(ATE)和方面情感分析(ATSA)两个子任务，采用六种基于Transformer架构的预训练模型（包括BERT和BART）构建异构学习器。通过argmax多分类策略集成各模型的预测结果，并结合线性分类器、双向长短期记忆网络(BiLSTM)以及CNN-BiLSTM混合架构，全面捕捉文本的局部n-gram特征与长距离依赖关系。实验选用SemEval-2014和ACL-14两个公开的英文评论数据集验证性能。

关键技术方法包括：1）使用预训练的BERT(base-uncased)和BART(large-cnn)模型提取上下文特征；2）通过Fine-tuning适配特定任务；3）采用BiLSTM处理序列依赖，CNN提取局部特征；4）集成学习框架下的多数投票机制。

研究结果显示：

1. 模型架构对比：在Laptop数据集上，集成模型的F1值达80.21%，较单一BERT模型提升6.38个百分点；
2. 特征融合分析：CNN-BiLSTM分支对电子产品评论的语义转折词（如"but"）识别准确率提升12.7%；
3. 跨领域性能：在餐厅评论数据集上，宏观平均准确率保持78.93%，证明模型泛化能力；
4. 误差分析：情感极性混淆主要发生在"中性-积极"边界案例（占错误样本的43.2%），与人类标注一致性高度相关。

结论部分指出，ATESA-B?RT通过异构模型互补优势，有效解决了多方面情感交织的解析难题。其创新点在于：1）融合自编码器(BERT)与自回归模型(BART)的差异化表征；2）结合注意力机制与序列建模的混合架构设计。该成果发表于《Knowledge-Based Systems》，为电商平台实时舆情监控、产品改进优先级排序提供了自动化解决方案，未来可扩展至多语言场景下的细粒度情感计算。