Modellierung von Sentiment-Abhängigkeiten mit Graph-Konvolutionalnetzen für die Aspektbasierte Sentimentklassifizierung

Die aspektbasierte Stimmungsanalyse (aspect-level sentiment classification) zielt darauf ab, die Stimmungspolaritäten eines oder mehrerer Aspekte in einem Satz zu unterscheiden. Bestehende Ansätze modellieren in der Regel verschiedene Aspekte in einem Satz unabhängig voneinander, was die stimmungsbezogenen Abhängigkeiten zwischen den verschiedenen Aspekten außer Acht lässt. In dieser Arbeit schlagen wir ein neues Modell für die aspektbasierte Stimmungsanalyse vor, das auf Graph Convolutional Networks (GCN) basiert und die stimmungsbezogenen Abhängigkeiten zwischen mehreren Aspekten in einem Satz effektiv erfassen kann. Unser Modell führt zunächst einen bidirektionalen Aufmerksamkeitsmechanismus mit Positionscodierung ein, um aspektbezogene Darstellungen zwischen jedem Aspekt und dessen Kontextwörtern zu modellieren. Anschließend wird ein GCN über den Aufmerksamkeitsmechanismus eingesetzt, um die stimmungsbezogenen Abhängigkeiten zwischen den verschiedenen Aspekten in einem Satz zu erfassen. Wir evaluieren den vorgeschlagenen Ansatz anhand der SemEval 2014-Datensätze. Die Experimente zeigen, dass unser Modell den Stand der Technik übertreffen kann. Zudem führen wir Experimente durch, um die Effektivität des GCN-Moduls zu bewerten, was darauf hindeutet, dass die Abhängigkeiten zwischen verschiedenen Aspekten bei der aspektbasierten Stimmungsanalyse von hoher Wichtigkeit sind.