特色应用
所提出的 BBV-GCN 框架可应用于电子商务评论、社交媒体和客户反馈中的细粒度观点挖掘，能够在嘈杂和模糊的文本条件下实现稳健且具有不确定性感知的方面级情感分析。
摘要
基于方面的情感分析（ABSA）旨在识别句子中针对特定方面所表达的情感极性。现有的序列方法和基于 Transformer 的方法可以有效捕获上下文语义，但它们通常缺乏对方面 - 观点关系的显式建模。基于图的方法通过引入句法依存结构部分解决了这一局限性；然而，大多数方法依赖于确定性解析器导出的图或固定的关系权重，这可能会在模糊、非正式或领域偏移的文本中引入噪声边和不稳定的消息传播。为了解决这些问题，本文提出了一种用于 ABSA 的贝叶斯双线性变分图卷积网络（BBV-GCN）。具体来说，上下文编码器首先生成每个句子 - 方面对的词元级表示。双线性关系打分器随后估计方面感知的成对词元交互并构建软潜在关系图。BBV-GCN 不是将关系权重视为确定值，而是引入潜在关系变量并通过变分推断学习其后验分布，从而实现对不确定性感知的图构建。基于学习到的图，变分图卷积网络执行多跳消息传递，以将意见线索、修饰语、否定模式和对比信号聚合到目标方面表示中。在五个基准数据集（包括 Twitter、Laptop14、Restaurant14、Restaurant15 和 Restaurant16）上的实验表明，与具有代表性的基于注意力、基于 Transformer 和基于图的基线相比，BBV-GCN 取得了具有竞争力且平衡的性能。消融研究进一步证实了贝叶斯关系建模、KL 正则化和变分图传播的贡献。可视化结果说明了不确定性感知加权如何衰减虚假关系并产生更具可解释性的方面特定潜在图。总体而言，BBV-GCN 为细粒度情感分析提供了一种稳健且具有不确定性感知的图推理框架。
