基于局部与全局记忆的异构图神经网络在情感分析中的增强研究

本文提出LGM-HGNN模型，通过异构图神经网络（HGNN）结合动态GRU门控的双层记忆模块（局部实例记忆+全局语料记忆），显著提升基于方面的情感分析（ABSA）性能。模型在Twitter航空评论和金融情感数据集上超越Transformer架构，解决了多粒度交互（词/方面/句子）和长程依赖的建模难题。

　　

亮点

LGM-HGNN的创新性体现在：

1）首创异构图表征框架，通过多类型节点（词/方面/句子）和关系边捕捉传统Transformer忽略的结构化语义；

2）动态GRU门控的双层记忆系统实现细粒度情感追踪——局部记忆存储实例级特征（如"航班延误"的负面情绪），全局记忆聚合跨文本趋势（如金融市场的乐观基调）；

3）双仿射注意力机制精准对齐方面与上下文特征，在复杂场景（如矛盾情感共现）中表现优异。

基线对比

如表4所示，LGM-HGNN在Twitter和金融数据集上全面领先：准确率提升3.2%，宏F1_score提高4.7%，AUROC达0.912。尤其在跨领域测试中，记忆模块使模型适应力提升38%，证明其捕捉领域特定情感模式的能力。

局限与展望

当前模型面临计算复杂度高（构建异构图耗时增加27%）和方言敏感性问题。未来计划：

• •

  开发轻量级图采样策略

• •

  融合领域自适应预训练（Domain-Adaptive Pretraining）

• •

  探索记忆模块在临床文本情感分析（如患者病程追踪）的应用

结论

LGM-HGNN通过异构图表征与自适应记忆的协同作用，为ABSA任务提供了新范式。其动态融合局部细节（如"座位舒适度"）与全局模式（如航线服务趋势）的能力，在医疗舆情监控和健康咨询情感分析等领域具有转化潜力。