融合强关联依赖和简洁语法的方面级情感分析模型

针对语法依赖树存在多个方面词相互干扰的依赖信息、无效单词,以及标点符号带来的冗余信息和方面词与对应情感词之间的关联性较弱等问题,提出一种融合强关联依赖和简洁语法的方面级情感分析模型(SADCS)。首先,构建情感词性(POS)列表,通过该列表加强方面词与对应情感的相关性;其次,构建融合POS和依赖关系的联合列表,通过该联合列表去除已优化的依赖树无效单词与标点符号的冗余信息;再次,将优化后的依赖树与图注意力网络(GAT)结合建模提取上下文特征;最后,与依赖关系类型的特征信息进行交互学习并融合特征,增强特征表示,最终使分类器能高效预测每个方面词的情感极性。将所提模型在4个公开数据集上进行实验分析,与DMF-GAT-BERT(Dynamic Multichannel Fusion mechanism based on the GAT and BERT(Bidirectional Encoder Representations from Transformers))模型相比,所提模型的准确率分别提高了1.48、1.81、0.09和0.44个百分点。实验结果表明,所提模型能够有效增强方面词与情感词的联系,使方面词情感极性的预测更准确。

结合句子序列与语法关系的方面级情感分类方法

为了研究句子结构关系对方面级情感分类模型性能的影响,针对当前方面级情感分类方法中过于重视句子中语法关系的作用,而忽视了句子的序列结构关系的问题,提出一种结合句子序列与语法关系的信息融合网络(sequence-syntax information fusion network,SYFN)模型。SYFN模型分别处理句子的序列与语法关系信息,并在融合2种结构关系信息的基础上进一步结合网络的高低层融合信息。这些改进措施使模型能够结合高低层网络的关系融合信息去处理各种复杂的句子关系,能够充分利用结构关系信息进行情感分类。实验结果表明,SYFN模型与基线模型相比性能有较明显的提升。

面向方面级情感分析的交互关系图注意力网络

方面级别情感分析旨在分析网络评论每个方面的情感极性,是一种细粒度的情感分析技术。已经有许多相关研究把语法依赖树与图注意力网络结合应用到该任务,取得了较好的成绩。针对以往研究忽略关系类型信息,没有充分挖掘关系类型所包含的潜在语义信息,以及忽略了依赖关系和关系类型之间的联系等问题,提出了一种基于图注意力网络的交互关系图注意力网络模型(interactive relation graph attention network,IRGAT)。该模型提取关系类型的特征信息,使其与图注意力网络提取的上下文特征信息交互学习,使它们相互联系,强化各自的特征表示能力。通过方面注意力机制融合特征,再使用分类器捕获情感分类结果。该模型在四个公开数据集上进行了实验,实验结果表明,与现有的方面级情感分析模型相比,IRGAT模型的预测准确率和MF1值分别平均提升了1.52和1.56个百分点。