融合匹配长短时记忆网络和语法距离的方面级情感分析模型

针对现阶段方面级情感分析(ABSA)存在的方面词与不相关上下文错误匹配以及缺乏语法层面特征的问题,提出一种融合匹配长短时记忆网络(mLSTM)和语法距离的ABSA模型mLSTM-GCN。首先,逐词计算方面词与上下文的关联性,并将得到的注意力权重与上下文表示融合作为mLSTM的输入,从而得到与方面词关联度更高的上下文表示;然后,引入语法距离以获得与方面词语法关联度更高的上下文,从而获取更多的上下文特征来指导方面词的建模,并通过方面掩盖层得到方面表示;最后,结合位置权重、上下文表示以及方面表示来进行信息交互,从而获取用于情感分析的特征。在Twitter、REST14和LAP14数据集上的实验结果表明,相较于特定方面的图卷积网络(ASGCN),mLSTM-GCN的准确率分别提升1.32、2.50和1.63个百分点,宏平均F1分别提升2.52、2.19和1.64个百分点。可见,mLSTM-GCN能够有效降低方面词与不相关上下文错误匹配的概率,提升分类效果。

基于混合编码与双通道GCN的方面级情感分析

方面级情感分析研究忽略了词性和物理位置的结合,且仅考虑句子语法结构,缺乏对词深层情感极性的挖掘,包括情感极性标签和情感极性值,由此提出基于混合编码与双通道图卷积网络的方面级情感分析模型HCDCGCN。首先,混合编码部分融合了线性结构上的词性特征和物理位置特征并馈入到每层网络的输出;然后,双通道图卷积网络在树形结构上结合了语法距离和情感极性以获取重要信息;最后,采用注意力机制突出方面词的情感特征。在3个公共数据集Lap14、Rest14和Twitter上进行实验,其准确率分别达85.56%、88.46%和78.37%,表明HCDC-GCN可以更好地融合语义、词性、物理位置、语法距离和情感极性信息,在方面级情感分析领域具有一定优势。

基于HowNet的句子褒贬倾向性研究

文本倾向性识别在信息过滤、自动文摘、文本分类等领域有广泛的应用前景。句子倾向性研究是文本倾向性识别的基础,结合句法分析结果和词语语义倾向性可以衡量句子褒贬倾向性。以HowNet的词汇语义相似度计算为基础,提出了基于的语义距离和语法距离的句子褒贬倾向性计算方法。大量语句实验表明,该方法的计算结果与人工判别结果更接近。