基于多任务学习的联合语义与句法增强方法在面向方面的情感分析中的应用

《IEEE Access》：Joint Semantic and Syntactic Enhancement with Multitask Learning for Aspect-Based Sentiment Analysis

　　

摘要：

随着社交媒体和在线评论数据的快速增长，不同方面之间的细微情感差异已成为自然语言处理领域的重要研究课题。然而，现有的基于方面的情绪分析方法在实际应用中仍面临诸多挑战，包括复杂的语义依赖关系、对与方面相关的情绪信息建模不足，以及在嘈杂和多样化的环境中的泛化能力有限。我们提出了一种多特征协同模型，该模型整合了BERT、双向门控循环单元、图卷积网络以及注意力机制。在该模型中，BERT用于获取上下文语义表示，而双向循环网络则用于捕捉序列依赖关系。图卷积网络从句法依赖关系中提取结构特征。此外，该模型还引入了一个基于混合注意力机制的语义增强模块，以强化与方面相关的语义信息；同时，它还运用了由情感词典引导的句法增强模块以及门控机制来加强句法线索。进一步地，该模型还加入了用于预测情绪强度的辅助回归任务，这种整合提升了模型对连续情绪变化的敏感度，并增强了表示的稳健性。在SemEval-2014的笔记本电脑和餐厅数据集，以及广泛使用的Twitter14基准测试上的实验结果表明，所提出的名为BBGA-SSER(MT)的模型始终优于传统的单任务方法，这证明了多结构融合以及回归辅助学习在提升情绪分类精度和稳健性方面的有效性。