方面级情感分析(Aspect-based Sentiment Analysis, ABSA)是一项细粒度的情感分析任务，主要针对句子级别的文本，分析文本中相关的方面项(Aspect Term)、观点项(Opinion Term)、方面类别(Aspect Category)和情感极性(Sentiment Polarity)，在不同的场景下对应着不同的子任务。

本次Fudan DISC实验室将分享ACL 2022中关于方面级情感分析的三篇论文，其中两篇介绍基于图模型的方面级情感分析研究，一篇介绍用生成的方法进行ABSA的相关研究。

 

论文概述：

  • BiSyn-GAT+: 用于方面级情感分析的双重语法感知图注意网络(BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based Sentiment Analysis)

论文地址：https://aclanthology.org/2022.findings-acl.144.pdf

该篇文章提出了一种双语法感知图注意网络（BiSyn-GAT+），利用句子的短语结构树和依存结构树来建模每个方面词的情感感知上下文（称为上下文内）和跨方面的情感关系（称为上下文间) 信息，首次在ABSA任务中引入了句子的短语结构树的语法信息，四个基准数据集的实验表明，BiSyn-GAT+ 始终优于最先进的方法。

  • 用于方面情感三元组提取的增强多通道图卷积网络(Enhanced Multi-Channel Graph Convolutional Network for Aspect Sentiment Triplet Extraction)

论文地址：https://aclanthology.org/2022.acl-long.212.pdf

该篇文章旨在抽取句子中的情感三元组，提出了一个增强多通道图卷积网络模型来充分利用单词之间的关系。该模型为 ASTE 任务定义了 10 种类型的关系，通过将单词和关系邻接张量分别视为节点和边，将句子转换为多通道图，从而学习关系感知节点表示，同时设计了一种有效的词对表示细化策略，显著提高了模型的有效性和鲁棒性。

  • Seq2Path：生成情感元组作为树的路径(Seq2Path: Generating Sentiment Tuples as Paths of a Tree)

论文地址：https://aclanthology.org/2022.findings-acl.174.pdf

该篇文章提出了 Seq2Path 来生成情感元组作为树的路径，通过生成的方法来解决ABSA中的多种子任务。树结构可以用于表示“1对n”的关系，并且树的路径是独立的并且没有顺序。通过引入额外的判别标记并应用数据增强技术，可以自动选择有效路径，从而解决ABSA中常见的五类子任务。

内容中包含的图片若涉及版权问题，请及时与我们联系删除