• 学术研究 • 下一篇
仲兆满, 吕慧慧, 张渝, 崔心如, 樊继冬, 黄泽宇
ZHONG Zhaoman, LYU Huihui, ZHANG Yu, CUI Xinru, FAN Jidong, HUANG Zeyu
摘要: 在方面级情感分析领域,传统研究多依赖静态图神经网络来建模文本上下文与方面之间的依赖关系。然而,这些方法往往忽略了句法结构和词性信息的动态特性,限制了模型在捕捉复杂语义关系方面的能力。为此,提出了一种动态边权重图注意力网络(Dynamic Edge-Weighted Graph Attention Network, DEWGAT),旨在更全面地捕捉文本的语义、句法和方面信息。DEWGAT模型通过整合BERT嵌入、句法距离矩阵、方面相关掩码和语法权重矩阵,动态计算基于句法依存关系的边权重,从而强化关键情感依存关系的建模。在图注意力网络中,引入了一种新的注意力机制,该机制同时考虑了方面词和语法依存关系,显著增强了对关键情感信息的捕捉能力,提高了情感分类的准确性。在实验中,DEWGAT模型在四个公开基准数据集上进行了评估,结果显示其在Twitter、Lap14和MAMS数据集上的准确率分别提升了1.16%、0.15%和4.85%。特别是在MAMS数据集上,DEWGAT模型的准确率达到了0.8937,显著优于多数对比模型,展示了其在处理复杂情感分析任务中的优越性能。尽管DEWGAT模型在多个数据集上表现出色,但目前尚未实现端到端的框架集成。