基于关系门控图卷积网络的方面级情感分析.pdfVIP

第

57

卷第

3

期浙

江

大

学

学

报(工学版)Vol.57

No.3

2023

年

3

月Journal

of

Zhejiang

University

(Engineering

Science)Mar.

2023

DOI:

10.3785/j.issn.1008-973X.2023.03.001

基于关系门控图卷积网络的方面级情感分析

程艳芬，吴家俊，何凡

(武汉理工大学

计算机与人工智能学院，湖北

武汉

430070)

摘

要：在方面级情感分析任务中，现有方法难以有效利用句法关系类型且性能依赖依存解析的准确性，为此提

出注意力增强的关系门控图卷积神经网络（ARGCN）模型.

该模型将双向长短时记忆（BiLSTM）网络学习得到的

句子顺序特征与依存概率矩阵相结合构建单词图；利用关系门控图卷积神经网络（RG-GCN）和注意力增强网络

（AAN）分别从单词图和句子的顺序特征中获取方面词的情感特征；拼接RG-GCN和AAN的输出作为方面词最

终的情感特征.

在数据集

SemEval

2014

、

Twitter

上进行对比实验和消融实验，结果表明ARGCN模型可以有效地

利用关系类型，减小依存解析准确性对模型性能的影响，更好地建立方面词和意见词的联系，模型准确率优于所

有基线模型.

关键词：

方面级情感分析；图卷积网络；注意力机制；依存树；门机制；自然语言处理

中图分类号：

TP

391.1

文献标志码：

A

文章编号：

1008−973X（2023）03−0437−09

Aspectlevelsentimentanalysisbasedonrelationgated

graphconvolutionalnetwork

CHENG

Yan-fen,

WU

Jia-jun,

HE

Fan

(SchoolofComputerScienceandArtificialIntelligence,WuhanUniversityofTechnology,Wuhan430070,China)

Abstract:

In

aspect

level

sentiment

analysis,

existing

methods

struggle

to

effectively

utilize

the

types

of

syntactic

relations,

and

the

performance

of

the

model

is

affected

by

the

accuracy

of

the

dependency

parsing.

To

resolve

these

challenges,

an

attention

augmented

relation

gated

graph

convolutional

network

(ARGCN)

model

was

proposed.

The

model

uses

a

bidirectional

long-short-term

memory

(BiLSTM)

network

to

learn

the

sequential

feature

of

sentences,

and

combines

feature

with

the

dependency

probability

matrix

to

construct

a

word

graph.

Then

the

model

uses

a

relati