基于自适应图卷积神经网络与加权极性评分的食品评论细粒度情感分析模型FoodABSANet研究

本文提出创新性FoodABSANet模型，通过自适应图卷积神经网络（AGCNN）结合改进的DRP-POA优化算法，实现食品评论的细粒度情感分析（ABSA）。模型采用加权极性评分机制，显著提升对多维度情感交互特征的捕捉能力，为餐饮业客户满意度优化提供精准数据支持。

　　

研究亮点

• •

  首创将自适应图卷积网络（AGCNN）应用于食品评论情感分析（ABSA），通过动态调整节点连接权重解决多维度情感特征耦合问题

• •

  提出确定性随机参数拼图优化算法（DRP-POA），显著降低图卷积滤波器维度（k=1）导致的特征损失

• •

  构建G_S^rv文本预处理框架，有效保留评论中的细粒度语义关联

现有挑战与方法学创新

细粒度情感分析（ABSA）作为自然语言处理（NLP）核心任务，面临复杂语言模式下的特征解耦难题。本研究通过三层级架构突破传统局限：1）基于G_S^rv的文本净化系统；2）多头注意力特征提取模块；3）DRP-POA优化的AGCNN分类器，实现FPR降低23.6%的突破。

文本预处理

采用级联过滤策略处理原始评论G_S^rv，包括：特殊字符剔除、词干还原（Stemming）和无效信息擦除，构建符合图神经网络输入的标准化语料库。

AGCNN情感分析引擎

创新性设计1D图卷积核（k=1）压缩特征空间，通过动态邻接矩阵学习节点间情感传递规律。实验证明该结构在食品特征词共现分析中达到89.7%的MCC值。

实验配置

Python环境下验证模型，设置染色体长度=3、最大迭代50次。相较传统模型（MAGRU/SVM/CNN），本方案在Yelp数据集上精准度提升12.4%。

结论

本研究构建的ABSA系统通过DRP-POA优化AGCNN参数，实现餐饮评论多维度情感特征的精准解耦，为消费者行为分析提供新一代NLP工具。