
摘要
在现有基于方面的情感分析(Aspect-Based Sentiment Analysis, ABSA)研究中,基于神经图模型的方法被广泛采用,其通过依存句法分析挖掘词语之间的关系,从而为上下文与方面词的语义分析提供更优的指导。然而,大多数现有研究仅利用依存关系,而未考虑依存类型本身,且缺乏高效的机制来区分重要关系,也难以充分挖掘图神经网络多层结构中的信息。针对上述局限,本文提出一种新型方法,通过引入类型感知的图卷积网络(Type-aware Graph Convolutional Networks, T-GCN),显式利用依存类型以增强ABSA性能。在T-GCN中,注意力机制被用于区分图中不同边(即依存关系)的重要性,同时提出注意力层集成(attentive layer ensemble)策略,以全面融合T-GCN各层次的特征表示。实验结果验证了所提方法的有效性与优越性,在六个英文基准数据集上均取得了当前最优的性能表现。此外,通过进一步的消融实验,定量与定性分析了各组件的贡献,并深入揭示了T-GCN不同层次在提升ABSA任务中的具体作用机制。