通过情感感知的图异常检测和混合卷积来减轻基于情感分析中不可靠的句法依赖关系

《Neural Networks》：Mitigating Unreliable Syntactic Dependencies in Aspect-based Sentiment Analysis via Sentiment-Aware Graph Anomaly Detection and Mix Convolution

　　•将图异常检测集成到基于方面的 sentiment 分析（ABSA）中，以有效去除语法噪声。•通过跳跃融合和边融合，结合卷积模型来处理局部和长距离关系。•SAGAM 在准确性、宏观 F1 分数以及鲁棒性和可解释性方面均表现优异。

引言
社交媒体和电子商务平台的快速增长导致了大量用户生成内容的持续产生，例如产品评论和服务反馈。这些数据为改进产品和服务提供了关键见解（Cheng, Yuan, He, Shao, Wu, 2025; Zhang, Li, Deng, Bing, Lam, 2023b）。然而，自动提取此类内容中针对特定方面词的情感极性已成为自然语言处理（NLP）中的一个核心挑战。基于方面的 sentiment 分析（ABSA）是一种细粒度的 sentiment 分析任务，旨在识别句子中给定方面词所表达的极性（例如，正面、中性或负面）。与句子级别的 sentiment 分类不同，ABSA 需要区分同一句子中对不同方面表达的多种 sentiment 信号，这使得任务更加具有挑战性。例如，在句子“价格合理，尽管服务较差”中，“价格”的极性是正面的，而“服务”的极性是负面的。在复杂的语义和语法背景下，准确捕捉特定方面的 sentiment 特征同时避免无关和误导性信息的干扰仍然是一个关键挑战。

早期的神经网络方法主要基于序列模型，如长短期记忆（LSTM）和卷积神经网络（CNN）（Dong, Wei, Tan, Tang, Zhou, Xu, 2014; Lin, Yang, Lai, 2019; Tang, Qin, Liu, 2016b; Vo, Zhang, 2015; Wang, Huang, Zhu, Zhao, 2016），通常结合注意力机制来突出与方面相关的上下文信息以进行 sentiment 分类。虽然这些方法在性能上有所提升，但它们经常受到包含多个方面的句子中 sentiment 信号纠缠的影响，使得模型难以准确地将方面词与其对应的 opinion 词关联起来。为了解决这一限制，最近的研究（Chen, Ouyang, Luo, Xu, Cai, Hao, 2024; Chen, Teng, Wang, Zhang, 2022; Gao, Liu, Zhuang, Zhang, Tian, Dong, Yang, 2026; Yin, Zhong, 2024; Zhong, Ding, Liu, Du, Jin, Tao, 2023）利用了基于斯坦福 CoreNLP 工具包（Manning et al., 2014）构建的句法依存树作为结构先验，并采用图卷积网络（GCNs）来明确建模方面词与 opinion 词之间的依赖关系。尽管基于图的模型取得了显著的性能提升，但仍有两个主要挑战尚未解决：
(1) 尽管现代解析器生成的依存树在语言上是准确的，但这些通用结构并未针对 sentiment 推理进行优化，因此不可避免地包含语法上有效但与任务无关的边。在本研究中，我们将此类边称为不可靠的语法依存关系。例如，在图 1 中显示的句子：“菜单种类繁多，我经常在这里用餐，从未感到厌烦”中，方面词“菜单”与正确的 opinion 词“繁多”之间存在有效的依存关系，而像“用餐”和“厌烦”这样的词贡献很小，反而引入了噪声。
(2) 在句法依存图中，方面词和 opinion 词并不总是直接相连的。在语义复杂且较长的句子中，有意义的情感关系通常跨越多个依存边，如图 2 中 opinion 词“繁多”与方面词“菜单”之间的连接所示。

为了解决这两个挑战，我们提出了一个基于情感的图异常检测和混合卷积（SAGAM）模型用于 ABSA。我们的模型包括两个核心阶段，共同处理语法噪声和长距离依存建模。
第一阶段是一个基于情感的图异常检测框架，它将图异常检测与情感一致性建模相结合，以识别并去除依存图中的语法噪声。具体来说，该框架由三个核心模块组成：抗噪声图构建、情感引导的图优化和剪枝模块。抗噪声图构建模块训练多视图图编码器，并结合情感一致性评估机制，从句法依存图中学习无噪声且保留情感的模式。随后，情感引导的图优化模块基于预训练的编码器训练图解码器，并为每个节点共同计算一个基于情感的异常分数。最后，剪枝模块根据这些分数移除与异常节点相关的边，得到一个去噪的依存图，保留与情感相关的结构信息，为后续推理提供更可靠的基础。
第二阶段是混合卷积模块，包括跳跃融合和边融合组件。跳跃融合组件聚合多跳级上下文信息，而边融合组件将依存边特征纳入消息传播过程。这种设计使方面词能够从局部和远距离的上下文中捕获情感信息，从而产生更丰富、更全面的方面表示。

在三个公共基准数据集（Restaurant14、Laptop14 和 Twitter）上的广泛实验表明，我们的方法始终优于强大的基线模型，平均准确率提高了 1.7%，宏观 F1 分数提高了 2.1%。
消融研究进一步验证了每个提出的组件的有效性，确认基于情感的图异常检测框架和混合卷积模块对整体性能都有重要贡献。

本工作的主要贡献总结如下：
•我们提出了一个用于 ABSA 的基于情感的图异常检测框架，有效去除了依存图中的语法噪声，同时保留了与情感相关的信息。
•我们设计了一个混合卷积模块，结合多跳级消息传播和边特征融合，以捕获多尺度的语义表示。
•在三个基准数据集上的广泛实验表明，我们的方法在准确率和宏观 F1 分数方面都表现出色，同时提高了可解释性和强大的泛化能力。

相关工作
早期的 ABSA 神经模型主要关注建模方面词及其周围上下文之间的交互。TC-LSTM（Tang et al., 2016a）将方面嵌入与词嵌入拼接起来指导句子编码。为了增强特定方面的表示，广泛采用了注意力机制。例如，ATAE-LSTM（Wang et al., 2016）在计算注意力权重之前将方面嵌入附加到每个词向量中，从而产生方面感知的句子。

任务定义
基于方面的 sentiment 分析（ABSA）是自然语言处理中的一个基本细粒度任务，旨在确定给定句子中对特定方面词表达的情感极性（正面、中性或负面）。形式上，给定一个包含 n 个令牌的输入句子 S={w1, w2, …, wn} 和一组方面词 ASP={a1, a2, …, aj}?S，其中每个 ai 可以由一个或多个连续的令牌组成（ai={wj, wj+1, …, wj+k}），ABSA 的目标是预测情感。

数据集
所提出的模型在三个广泛使用的公共数据集上进行了评估：Restaurant14 和 Laptop14 数据集（Pontiki et al., 2014），以及来自社交媒体帖子的 Twitter 数据集（Dong et al., 2014）。这些数据集涵盖了多个领域，包括餐饮服务、消费电子产品和一般用户意见，提供了多样化的句子结构和情感表达。每个样本包含一个或多个明确标注的方面词，每个方面词都被标记为三种情感之一。

结论
在本文中，我们提出了 SAGAM，一个用于 ABSA 的基于情感的图异常检测和混合卷积模型。该模型有效减轻了依存图中的语法噪声，生成了更清晰且保留情感的图结构。
在三个公共基准数据集上的实验结果表明，SAGAM 在准确率和宏观 F1 分数方面始终优于强大的基线模型，证实了其鲁棒性和可解释性，特别是在语法复杂的句子中。

作者贡献声明
Jiawen Wang：撰写 – 原始草稿，软件，方法论。
Zhaojian Cui：方法论，形式分析，概念化。
Yubin Li：项目管理。
Haokai Gao：可视化。
Yuncheng Jiang：撰写 – 审查与编辑，监督，资金获取。

利益冲突声明
作者声明他们没有已知的竞争利益或个人关系可能影响到本文报告的工作。

Jiawen Wang | Zhaojian Cui | Yubin Li | Haokai Gao | Yuncheng Jiang