Beta Distribution Graphid Precribed الرسم البياني لإدراك جوانب تحليل معرفية الفئة مع المعرفة العاطفية

في هذه الورقة، يمكننا التحقيق في مهمة تحليل المشاعر الفئة من الفئة (ACSA) من منظور جديد من خلال استكشاف بناء الرسوم البيانية المدرجة في جوانب التجريبية على أساس المعرفة الخارجية. وهذا يعني أننا لم نعد النزود حول كيفية البحث بشغف على أدلة المشاعر للجوانب الخشنة من السياق، ولكن كيف تفضل أن تجد الكلمات ذات الصلة بشدة إلى الجوانب في السياق وتحديد أهميتها بناء على قاعدة المعرفة العامة وبعد وبهذه الطريقة، يمكن تتبع أدلة المعنويات السياقية بشكل صريح في ACSA للجوانب في ضوء هذه الكلمات المتعلقة بالجانب. لتكون محددة، نعتبر أولا كل جانب كحوري لاستخلاص الكلمات التي تدرك الجانب مرتبطة بشدة بالجانب من معرفة المناولة العاطفية الخارجية. بعد ذلك، نوظف توزيع بيتا لاستكشاف الوزن على دراية الجسدة، والذي يعكس أهمية الجانب، لكل كلمة على أساس جوانب. بعد ذلك، يتم تقديم الكلمات التي يدركها الجانب كضعف من جانب المحبوس الخشبي لإنشاء رسوم بيانية لاستفادة من تبعيات المعنويات السياقية ذات الصلة بالجانب في ACSA. تظهر التجارب في 6 مجموعات بيانات معيار أن نهجنا تتفوق بشكل كبير على أساليب خط الأساس الحديثة.

In this paper, we investigate the Aspect Category Sentiment Analysis (ACSA) task from a novel perspective by exploring a Beta Distribution guided aspect-aware graph construction based on external knowledge. That is, we are no longer entangled about how to laboriously search the sentiment clues for coarse-grained aspects from the context, but how to preferably find the words highly related to the aspects in the context and determine their importance based on the public knowledge base. In this way, the contextual sentiment clues can be explicitly tracked in ACSA for the aspects in the light of these aspect-related words. To be specific, we first regard each aspect as a pivot to derive aspect-aware words that are highly related to the aspect from external affective commonsense knowledge. Then, we employ Beta Distribution to educe the aspect-aware weight, which reflects the importance to the aspect, for each aspect-aware word. Afterward, the aspect-aware words are served as the substitutes of the coarse-grained aspect to construct graphs for leveraging the aspect-related contextual sentiment dependencies in ACSA. Experiments on 6 benchmark datasets show that our approach significantly outperforms the state-of-the-art baseline methods.