融合全局与局部语义的跨领域方面词抽取
作者机构:昆明理工大学信息工程与自动化学院 云南省人工智能重点实验室
出 版 物:《计算机工程》 (Computer Engineering)
年 卷 期:2024年
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)]
主 题:语义信息 跨领域 方面词抽取 卷积神经网络 双向长短期记忆网络
摘 要:方面词抽取是方面级情感分析的核心任务之一,提取和标注成本极高。当训练样本和测试样本来自不同领域时,由于两个样本之间存在差异,传统方法的性能往往会急剧下降。现有方法侧重考虑基于语义信息丰富的局部上下文的领域适应方法,以实现跨领域方面词抽取,却忽略了方面词在文本中可能存在的全局的长依赖关系,从而使得模型的性能、可扩展性和鲁棒性受到一定程度的制约。针对上述问题,论文提出了一种以语义信息作为枢轴,无需进行额外地手动标记,融合全局与局部语义的跨领域方面词抽取CBiLSTM模型。该模型首先在词嵌入阶段融入外部语义信息以此构建为源领域与目标领域的枢轴信息,然后结合全局与局部上下文语义信息进行并行编码,从而更好地捕获综合的语义特征信息,进一步弥合了源领域与目标领域之间的差异,最终实现方面词的跨领域抽取。最后,在三个公测数据集上与基线模型相比,CBiLSTM模型的跨领域方面词抽取性能F1-score平均值达到53.87%,比当前最优模型提升了0.49%,实验结果表明:所提方法具较优的性能以及较低的计算成本。