情感分析(SA)是自然语言处理(NLP)中的一个基本任务(Khurana, Koli, Khatter, Singh, 2023; Zhang, Li, Deng, Bing, Lam, 2023),其目的是识别文本中表达的观点和情感。虽然传统的SA方法主要确定文档或句子的整体情感,但用户生成的内容(如评论、推文和论坛讨论)通常涉及多个方面,每个方面都带有不同的极性。这激发了方面级情感分类(ALSC)的需求,这是一种细粒度的任务,用于识别给定文本中特定方面的情绪极性(正面、中性或负面)(Nazir, Rao, Wu, Sun, 2020; Tang, Qin, Liu, 2015)。
深度学习的最新进展极大地提高了ALSC的性能(Liu, Chatterjee, Zhou, Lu, Abusorrah, 2020; Trisna, Jie, 2022; Wang, Xu, Zu, 2021)。特别是图神经网络(GNNs)通过利用句法依存树来捕获非顺序的词关系,这对于具有长距离依存的句子至关重要。例如,在句子“The food was good, the place was clean and affordable”中,依存图明确地连接了语义相关的术语,从而增强了上下文表示(见图1)。
尽管取得了这些成功,现有的基于GNN的方法仍存在局限性。许多方法将所有依存关系视为同等重要,忽略了关系类型之间的差异。此外,语义信息经常被低估,这阻碍了对隐含情绪和复杂语言模式的建模。因此,这些方法可能难以捕捉方面和观点词之间的细微联系,尤其是在具有多种或隐含情绪的句子中。
最近的混合模型尝试使用并行或交错架构结合GNNs和Transformer。然而,这些设计在融合之前独立处理句法和语义特征,这阻止了模型在早期阶段利用全局信息来过滤句法噪声,可能导致特征冲突或噪声放大。为了解决这一限制,我们提出了一种串行的、逐步细化的策略。受到“从粗到细”认知过程的启发,我们认为必须首先建立稳健的全局语义基础,以有效地指导后续的局部句法过滤。基于这一理论动机,我们引入了双阶段依赖增强图变换器。
本工作的主要贡献总结如下:
•我们提出了一种串行架构,通过结合Transformer和增强的GCN模块有效地融合了句法和语义信息,用于方面级情感分类(ALSC)。
•设计了一种依赖关系增强机制,以细化依赖权重,从而提高模型捕获关键关系信息的能力。
•在多个公共数据集上的广泛实验表明,我们的方法始终优于现有的主流基线模型。