تحليل المعنويات المستندة إلى جانب الجسدي مع شبكات تشكيلة ناشئة من نوعها

تحظى بشعبية تطبيق النماذج العصبية القائمة على الرسم البياني في دراسات تحليل المعفاة القائمة على الجانب القائم على الجانب (ABSA) لاستخدام علاقات الكلمة من خلال يوزع التبعية لتسهيل المهمة مع التوجيه الدلالي الأفضل لتحليل السياق والكلمات. ومع ذلك، فإن معظم هذه الدراسات فقط الاستفادة من علاقات التبعية فقط دون النظر لأنواع التبعية، وهي محدودة في عدم وجود آليات فعالة لتمييز العلاقات المهمة وكذلك التعلم من طبقات مختلفة من النماذج القائمة على الرسم البياني. لمعالجة هذه القيود، في هذه الورقة، نقترح نهجا للاستفادة بشكل صريح لأنواع التبعية من أجل ABSA مع الشبكات التنافسية الرسمية من النوع الواجب (T-GCN)، حيث يتم استخدام الاهتمام في T-GCN لتمييز حواف مختلفة (العلاقات) في يقترح الرسم البياني والطبقة اليقظة أن يتعلم بشكل شامل من طبقات مختلفة من T-GCN. يتم إثبات صلاحية وفعالية نهجنا في النتائج التجريبية، حيث يتم تحقيق الأداء الحديثة في مجموعات بيانات قياسية باللغة الإنجليزية. تتم إجراء مزيد من التجارب لتحليل مساهمات كل مكون في نهجنا وتوضيح كيفية مساعدة الطبقات المختلفة في T-GCN ABSA مع التحليل الكمي والنوعي.

It is popular that neural graph-based models are applied in existing aspect-based sentiment analysis (ABSA) studies for utilizing word relations through dependency parses to facilitate the task with better semantic guidance for analyzing context and aspect words. However, most of these studies only leverage dependency relations without considering their dependency types, and are limited in lacking efficient mechanisms to distinguish the important relations as well as learn from different layers of graph based models. To address such limitations, in this paper, we propose an approach to explicitly utilize dependency types for ABSA with type-aware graph convolutional networks (T-GCN), where attention is used in T-GCN to distinguish different edges (relations) in the graph and attentive layer ensemble is proposed to comprehensively learn from different layers of T-GCN. The validity and effectiveness of our approach are demonstrated in the experimental results, where state-of-the-art performance is achieved on six English benchmark datasets. Further experiments are conducted to analyze the contributions of each component in our approach and illustrate how different layers in T-GCN help ABSA with quantitative and qualitative analysis.