数字技术的普及促进了用户生成文本数据的指数级增长(Akhter, Maheshwari, Khan, & Mohanty, 2025),其中包含了在多个领域具有战略意义的情感和评价信息。正如(Lengkeek, van der Knaap, & Frasincar, 2023)所指出的,这些数据是企业解码市场偏好、政策制定者衡量社会趋势以及个人优化决策过程的关键资源。在这个背景下,基于方面的情绪分析(ABSA)作为计算语言学中的一种复杂分析范式应运而生,它通过系统地识别对特定实体属性的细粒度情感取向,超越了传统的情绪分类。这种细致的方法实现了多维情感的解构,通过同时提取方面和极性检测来映射复杂的情感景观。
早期的ABSA方法(Liu, Bi, & Fan, 2017)主要依赖于特征工程化的机器学习系统,这些系统将手工制作的词典和句法启发式与统计分类器相结合。虽然这些模型在基准数据集上取得了可接受的性能,但在跨领域泛化和细微语义解释方面存在显著不足,尤其是在面对非正式语言表达或隐含情感时。特征设计的过程,加上其有限的捕捉高阶句法和语义交互的能力,对跨不同文本类型的可扩展性和鲁棒表示构成了固有的障碍。为了应对这些挑战,许多研究试图通过基于聚类的技术来改进模型泛化和特征表示。例如,一些学者(Akhter & Mohanty, 2023)对聚类算法进行了改进,以更好地捕捉潜在的语义分组,而其他研究人员(2025年提出的一种基于快速稀疏图的聚类技术)提出了旨在提高聚类在异构文本语料库中的适应性和稳定性的改进——这些进步间接促进了更灵活和可转移的ABSA框架的发展。随后向深度神经架构的转变标志着一个重要的范式转变,使得层次化特征表示的自动诱导成为可能。基于序列的模型,如循环神经网络(RNNs)(Mikolov, 2012)和长短期记忆网络(LSTMs)(Hochreiter & Schmidhuber, 1997)通过门控记忆机制在建模序列依赖关系和上下文动态方面取得了显著改进。然而,这些架构通常存在注意力焦点不佳的问题,在句法复杂或多视角的句子中难以适当地突出与方面相关的词汇单元。
为了缓解这些缺陷,当代研究将注意力机制(Dhanith, Surendiran, Rohith, Kanmani, Devi, 2024a, Majumder, Poria, Gelbukh, Akhtar, Ekbal, 2018, Wang, Huang, Zhu, Zhao, 2016)作为受认知启发的计算模块进行了整合。这些机制实现了动态相关性评分系统,能够进行上下文感知的特征重新校准,有效地放大与方面相关的显著线索,同时抑制无关的词汇元素。通过多头注意力配置和跨模态对齐技术,现代ABSA系统在意见短语定位和情感诱导方面实现了增强的区分能力,从而提高了对句法复杂性和词汇歧义的鲁棒性。这种架构的演变极大地提高了该领域在不受限制的自然语言环境中解决复杂情感-对象关系的能力。
与传统的人工神经网络根本不同,SNP(Ionescu, Pun, & Yokomori, 2006)构成了一种神经形态计算框架,通过离散的基于脉冲的信息传输来模拟生物神经元的通信。这种事件驱动的范式通过由神经动态参数(例如,兴奋阈值、突触权重)控制的时间分布脉冲来编码数据,本质上捕捉了非线性时间动态,同时利用膜计算的组织原则进行大规模并行处理。这些特性在时间模式识别(Jie, Li, Zhou, Ye, 2023, Li, Peng, Wang, Huang, 2020)和图像处理(Li et al., 2021a)中展示了显著的效果。尽管取得了这些成功,SNP在ABSA中的应用仍然不发达。在Liu等人(Liu et al., 2023c)的NSNP-AU框架的基础上,本研究引入了一种新的双向变体NSNP(BiVNSNP)架构,解决了ABSA的两个关键限制:1)方面术语和上下文表达之间语义相关性的建模不足;2)在语言上下文中未能充分考虑位置影响,其中相对词的位置对情感解释至关重要。为了解决这些问题,BiVNSNP结合了一个双通道机制,提取同时的方面特定和句子级别的表示,并通过上下文敏感的位置加权来明确量化方面术语和意见指标之间的距离衰减关系。这种几何加权方案通过基于距离的衰减函数动态优先考虑邻近的上下文词,从而在词汇定位和情感显著性之间建立了定量依赖关系,同时抑制了远端噪声。
这项研究通过四个相互关联的贡献推进了基于方面的情绪分析:
(1) 我们提出了VNSNP作为NSNP-AU架构的进化变体,通过新的脉冲生成方程重新配置了其计算方法,重新配置了中间状态转换和输出。
(2) 为了全面捕捉潜在的语言表示——特别是那些编码方面-上下文依赖关系的表示——我们将这一基础扩展为BiVNSNP,这是一个双向框架,可以同时在正向和反向时间方向上处理上下文序列。这种双流范式确保了每个标记的向量表示中先前和后续上下文影响的全面整合。
(3) 受到词汇定位在情感解释中关键作用的启发,我们正式化了一种基于上下文的位置加权函数。该机制通过距离感知系数量化了方面术语和上下文元素之间的几何关系,从而能够基于它们的相对句子位置区分性地放大语义显著的标记。
(4) 本研究设计了一个双通道句法细化框架,其中GCN处理后的表示之间的BiAffine介导的互学习通过联合句法-上下文融合层次增强了原始的上下文特征。
(5) 在多个基准数据集上的严格实证验证证明了该框架的竞争力,消融研究确认了每个提出的组件对方面级情感分类准确性的实质性影响。