أدت مرونة عملية الاستدلال في السيارات الآلية التلقائية (VAES) مؤخرا إلى مراجعة نماذج الموضوعات الاحتمالية التقليدية مما يؤدي إلى نماذج موضوع عصبي (NTM). على الرغم من أن هذه الأساليب حققت نتائج مهمة، فقد تم فعل القليل من العمل بشكل مدهش حول كيفية تفكي
ك المواضيع الكامنة. قد يؤدي نماذج الموضوعات الموجودة عند تطبيقها إلى المراجعات إلى استخراج الموضوعات المرتبطة بآراء الكتاب الذاتية المختلطة مع تلك المتعلقة بأوصاف واقعية مثل ملخصات المؤامرة في مراجعات الأفلام والحجز. وبالتالي، من المستحسن فصل مواضيع الرأي تلقائيا من المؤامرة / تلك المحايدة مما يتيح إمكانية الترجمة الترجمة الترجمة في هذه الورقة، نقترح نموذج موضوع عصبي جنبا إلى جنب مع التدريب الخصم لتخفيف موضوعات الرأي من المؤامرة والمحايدين. نقوم بإجراء تقييم تجريبي شامل يقدم مجموعة جديدة من مراجعات الأفلام والحجز المقترفة بأقطارها، وهي بيانات موبو، التي تظهر تماسك محسنة ومجموعة متنوعة من الموضوعات، وهو معدل تحسس متسق، وأداء تصنيف المعنويات متفوقة على نماذج موضوع أخرى تحت إشراف.
أظهر العمل الأخير على تصنيف المعنويات على مستوى جانب جانب الجسبي فعالية دمج الهياكل النحوية مثل أشجار الاعتمادية مع شبكات عصبية رسم بيانية (GNN)، ولكن هذه الأساليب عادة ما تكون عرضة للخطأ في التحليل. لتحسين الاستفادة من المعلومات الأساسية في مواجهة ا
لأخطاء التي لا مفر منها، نقترح تقنية رسم بياني بسيطة ولكنها فعالة، Grapmerge، للاستفادة من التنبؤات من المحللين المختلفين. بدلا من تعيين مجموعة واحدة من المعلمات النموذجية إلى كل شجرة التبعية، نقدم أولا علاقات التبعية من يوزعات مختلفة قبل تطبيق GNNS على الرسم البياني الناتج. يسمح هذا نماذج GNN قوية بتحليل الأخطاء دون أي تكلفة حسابية إضافية، ويساعد على تجنب التغلب على التغلب والتجول من تكديس طبقة GNN عن طريق إدخال المزيد من التوصيلية في الرسم البياني للفرقة. تظهر تجاربنا في مهمة Semeval 2014 Task 4 و ACL 14 Twitter أن نموذج Graphmerge الخاص بنا ليس فقط تفوق النماذج مع شجرة الاعتماد الفردي، ولكن أيضا يدق نماذج فرقة أخرى دون إضافة معلمات النموذج.
