探索电商对话中的消费者情绪：一种对话图注意力网络方法

《Electronic Commerce Research and Applications》：Discovering consumer sentiment in E-commerce conversations: A dialogue graph attention network approach

　　摘要：近期，基于方面的情感分析技术取得了显著进展，研究重点逐渐转向对话场景，即对话式基于方面的情感分析，这一领域对于推动商业环境中的该技术应用具有重要意义。尽管已有进展，但目前的方法未能充分利用对话中固有的回复结构，且现有的标注方案存在明显冗余问题。为解决这些局限，我们提出了一种新型的对话图注意力网络DiaGAT，该网络能够有效整合回复关系与句法信息。我们的方法首先将对话序列转换为基于回复关系和句法关系的图结构，进而采用双层次图注意力网络架构，包括话语级GAT和词元级GAT，以实现多层级信息传递。话语级GAT模块有助于在话语子图内高效传递信息，提升模型理解对话背景并提取语义信息的能力。综合实验结果表明，DiaGAT在DiaASQ基准测试中达到了新的最佳水平，其效果和精度甚至超过了大型语言模型。本文能够准确捕捉并解读消费者情感，为了解客户态度和情感趋势提供宝贵洞察，这些洞察可作为企业客户服务团队制定决策的实际工具，帮助他们量身定制回应措施，提升整体客户满意度。

引言：基于方面的情感分析是自然语言处理领域的一个专门分支，它旨在识别文本中提及的实体特定方面或特征所表达的情感（Zhang等人，2022a）。与传统情感分析仅从文档或句子层面评估整体情感不同，基于方面的情感分析能够区分对产品、服务或实体不同组成部分的看法，从而实现更精准的理解（Liu等人，2024b）。这种精确性使得该技术在诸多商业应用中具有独特价值（Wang等人，2021），比如服务优化（Al-Smadi等人，2019）、产品开发（Nazir等人，2022）以及竞争分析（He等人，2015）。通过深入了解客户对特定功能的看法，基于方面的情感分析能够帮助企业基于数据做出决策，进而改进其产品和服务。该领域的最新进展是对话式基于方面的情感四元组分析DiaASQ的提出（Li等人，2023）。这种新型的基于方面的情感分析方法专为对话设计，旨在从对话中提取四个关键要素：目标项、方面项、观点项以及情感极性。这些要素共同构成一个情感四元组，能够全面呈现对话中所表达的情感（Zhang等人，2024）。

如图1所示，我们展示了一个为对话式基于方面的情感四元组分析设计的对话数据集，该数据集包含四条话语，箭头标识了它们之间的回复关系，表明了交流的顺序——例如，第二条话语是对第一条话语的回应。DiaASQ带来的挑战超出了传统基于方面的情感分析任务的范围，它要求能够有效地提取情感四元组，并妥善处理对话中的回复关系。之所以会出现这种复杂性，是因为与传统通常处理孤立句子或文本的情感分析不同，DiaASQ需要分析动态对话中的情感，而其中的方面、观点和情感可能分散在多个话语中。例如，图1中所展示的分析就体现了在对话环境中提取和关联情感四元组各组成部分的复杂性。其中一个情感四元组的所有元素——“小米14 Ultra”、“处理器”、“强大”、“正面”——都来自第二条话语；而另一个情感四元组“小米14 Ultra”、“摄像头”、“出色”、“正面”中，目标项“小米14 Ultra”出现在第一条话语中，方面项“摄像头”和观点项“出色”则出现在第二条话语中。此外，示意图还通过颜色编码提高可读性：例如，“摄像头”一词以绿色突出显示，表明它源自第二条话语，该话语的背景也标为绿色。

目前关于DiaASQ的研究仍然相当有限，存在三个明显的建模缺陷。首先，回复结构建模方面的缺陷源于大多数现有研究都是针对单篇文本进行分析，将各条话语视为独立存在（Liu等人，2024c）。这类方法忽略了对话的互动性和层次结构，实际上每条话语都会受到之前话语的影响，并进而影响后续的回应。忽视这些对话依赖性会限制模型捕捉情感如何随着对话发展而变化的能力。其次，标注冗余问题在于，以往的对话情感检测研究主要在话语层面进行粗粒度分类（Poria等人，2023）。虽然这种方法有助于判断整体情感极性，但往往会产生冗余或过于笼统的情感标签，无法精确提取细粒度的、与特定方面相关的情感表达。因此，细微的观点目标及其相关表述往往无法得到准确区分。第三，情感推理方面的缺陷体现在现有方法在跨话语轮次进行深度情感推断方面的能力不足（Pereira等人，2024）。对话中的情感往往是隐含的、依赖于上下文的，并且会随着他人发言而动态变化。然而，当前的模型很少引入多轮推理或上下文推断机制，因而无法把握导致情感变化的根本原因。通过明确建模回复结构、通过细粒度提取减少标注冗余，以及提升跨轮次的情感推理能力，有望大幅增强对话式基于方面的情感分析中的上下文理解能力，为未来的研究指明方向。

与此同时，当前对话式基于方面的情感分析研究还面临以下两个挑战：一是未能充分利用话语之间的回复关系，现有方法难以有效处理话语之间及话语内部的回复关联（Wang等人，2022）。这些方法通常采用简单的掩码机制来管理回复过程中的信息流，而这种机制会带来严重的表征缺陷。由于将对话复杂的树状结构简化为线性序列，词元便失去了区分自身属于同一条话语还是属于不同但直接相关的话语的能力，这从根本上限制了模型处理那些需要在单个话语内部或多个相互关联的话语之间进行推理的任务，比如情感四元组提取。此外，这些方法仅在文本层面运作，未能考虑每条话语所具有的丰富句法结构——这些结构天然地编码了实体、方面和观点之间的语法关系。这两种限制表明，将句法结构纳入模型中，有望显著提升对回复关系的表征能力，通过利用回复关联将各话语的句法图连接起来，形成统一的、信息丰富的图结构，为更深入地理解对话提供必要的结构化路径。

另一个重要挑战源于当前标注方案和建模方法存在的冗余性以及范围狭窄的问题。在像DiaASQ这样的数据集中，使用三角矩阵来配对各项会形成极其冗余的搜索空间，复杂度呈指数级上升，迫使模型评估无数无效或重复的配对组合；这不仅会导致极高的计算成本，还会分散模型的注意力，从而导致真实观点对的召回率降低。除了这种结构上的低效之外，现有方法在情感判定过程中还存在概念上的局限性。由于仅根据目标项与观点项之间的直接关联来计算情感，这些模型系统性地忽视了方面项的重要性——即被评价目标的特定属性或特征。在需要进行细粒度分析的情况下，这一问题尤为突出，因为一个实体可能具有多个情感相互矛盾的方面，而忽略方面项会迫使模型进行聚合或猜测，从而导致情感分类中出现频繁且严重的错误，这与实现精细情感四元组提取的目标背道而驰。

为应对上述挑战，我们提出了对话图注意力网络DiaGAT。为了有效建模对话中的依赖关系、话语间的关联以及词元级别的交互，我们的方法首先采用一种创新的图构建策略，将话语与回复的关系以及句法依赖关系整合到一个统一的图中。这种设计使得模型能够同时捕捉话语内部的句法关系以及话语间的对话动态。随后，为实现在话语间以及话语内部传递信息，并区分不同层次的语义细节，我们引入了分层图注意力框架。该框架由两个核心组件构成：话语级GAT和词元级GAT。话语级GAT用于模拟话语间的信息流动，使每条话语都能融入来自其对话历史和回复结构的上下文线索。词元级GAT则在话语内部发挥作用，根据句法关系在各个词元之间传递信息，从而使每个词元都能更好地理解整个话语的整体语义和结构背景。除了学术价值之外，DiaGAT在商业应用中也展现出巨大的潜力。在多轮对话中实现准确细致的情感理解，对于智能客服、品牌监控以及用户体验优化至关重要（Sun等人，2019）。通过明确建模对话结构以及细致的情感交互关系，DiaGAT提供了一种可扩展且易于理解的框架，可用于对话式人工智能系统、社交媒体分析以及企业决策支持平台等实际场景中。

总之，我们的贡献主要体现在以下三个方面：（1）我们提出了DiaGAT模型，该模型通过在不同层次间传递信息来提升情感四元组预测的性能。此外，我们还设计了一种图构建模式，能够更有效地利用回复关系和句法关系。（2）本文提出了更为合理的情感四元组预测目标设定方式，将预测空间限制为对角线形式。实验结果表明，DiaGAT在中文和英文对话情感四元组提取数据集上的表现均远超其他方法，其性能甚至超过了一些大型语言模型。（3）本研究为商业应用提供了可扩展的解决方案，包括具备类人对话意识的企业聊天机器人、基于全渠道洞察的客户服务中心优化，以及基于数据的决策制定。

片段一：客户服务中的情感分析

对于任何企业而言，了解客户情感至关重要，因为满意的客户能够转化为忠诚的客户群体，为企业带来长期成功（Aldunate等人，2022）。实现这一目标的关键在于主动倾听客户的反馈和意见，而这一任务在数字时代得到了极大改善（Liu等人，2026）。电子商务的兴起以及COVID-19疫情的爆发进一步凸显了在线客户评价的重要性，各类产品评价网站和商业评级平台也因此变得愈发重要。

方法论

在本节中，我们通过图2展示了DiaGAT的详细架构，该架构主要由三个部分组成：对话图构建、信息传递以及情感四元组解码。具体而言，我们采用对话图构建流程将对话文本转换为对话图，该图能够体现回复关系、发言者身份以及句法信息。信息传递模块则包含N层话语级GAT和词元级GAT模块，这些模块负责在图中传递信息。

数据集收集

DiaASQ数据集：表3展示了DiaASQ数据集的分布情况，该数据集提供英文和中文两种版本。数据集被划分为训练集、验证集和测试集，其中包含了各类对话及对应的话语内容；每个对话由多条话语组成。表格详细列出了目标项、方面项和观点项的数目，同时还给出了目标-方面、目标-观点等各类配对的数量。

理论贡献

目前，关于对话场景中基于方面的情感分析的研究相对较少，这在理解如何有效处理和分析对话情境中的情感方面存在着较大缺口（Wang等人，2024c）。我们的研究通过引入DiaGAT来填补这一空白。该模型将回复关系和句法关系整合到一个全面的图结构中，从而提升了模型捕捉话语内部及话语之间复杂依赖关系的能力，使得对情感的理解更加细致深入。

结论

本研究表明，DiaGAT模型在显著提升对话式基于方面的情感分析性能方面发挥着重要作用，为各种商业应用带来了变革性的可能性。通过创新性地运用分层图注意力网络，该模型不仅能够捕捉到话语内部和话语之间的复杂关系，其性能也超越了现有的大型语言模型。它不仅具备高精度，还能实现良好的上下文理解能力，同时还为现实世界的商业应用提供了可扩展的解决方案。

致谢

作者贡献说明：

杨刘：撰写——审稿与编辑、撰写——初稿、项目管理、调研、资金申请、概念构思。黄嘉豪：撰写——初稿、验证、软件开发、方法论、数据整理。张成志：撰写——审稿与编辑、资源协调、调研。彭敏：撰写——审稿与编辑、项目管理、调研。

资助

本项目得到了中国国家自然科学基金（编号72574174）以及中国国家自然科学基金重点项目的支持。U23A20316），广东省基础与应用基础研究基金（编号2023A1515110058），以及中国湖北省自然科学基金（编号2026AFB615）。利益冲突声明作者声明不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。刘阳|黄嘉豪中国武汉大学信息管理学院，武汉430072