基于知识增强的双Transformer网络的方 面级情感分析模型
作者机构:太原理工大学电气与动力工程学院 太原理工大学电子信息与光学工程学院 太原理工大学计算机科学与技术学院(大数据学院)
出 版 物:《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)
年 卷 期:2024年
核心收录:
学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:虚拟现实技术与系统国家重点实验室(北京航空航天大学)开放课题基金(项目编号:VRLAB2022C11) 山西省基础研究计划青年科学研究项目(项目编号:20210302124168) 山西省留学人员科技活动择优资助项目(项目编号:20220009) 山西省重点研发计划项目(项目编号:202102020101004)的研究成果之一
主 题:方面级情感分析 句法依赖图 情感知识 降噪句法图 双Transformer网络
摘 要:[目的]为解决ABSA大多数GCN模型中构建句法依赖图时忽略情感知识、句法依赖图中依赖关系过多产生噪声、对长距离或不连贯单词建模时性能降低等不足。[方法]利用情感常识知识库SenticNet7中情感得分改进句法依赖图并考虑对多种句法依赖关系类型分类降噪,其次使用双Transformer网络增强处理长距离词的性能,同时改进句法依赖图能增强语义特征的表示学习。[结果]在五个公开数据集上,所提模型的F1值分别达到74.97%、76.13%、74.83%、68.01%、74.54%,与多种基准模型相比,其F1值分别平均提高3.85%、5.22%、3.48%、6.80%、7.49%。[局限]由于数据集中存在一定比例的隐式情感句,所提模型无法学习到更准确的隐式情感特征,分析结果受限。[结论]所提模型融合情感常识知识和降噪后句法关系重构双Transformer网络,改善了ABSA的效果。