Untersuchung typisierter syntaktischer Abhängigkeiten für die gezielte Sentiment-Klassifikation mittels Graph-Attention-Neural-Netzwerk

Die gezielte Sentiment-Klassifikation prognostiziert die Sentiment-Polarität anhand gegebener Ziel-Bezüge in Eingabetexten. Dominante Methoden nutzen neuronale Netze zur Kodierung des Eingabesatzes und zur Extraktion von Beziehungen zwischen Ziel-Bezügen und deren Kontexten. Kürzlich wurde Graph Neural Network zur Integration von Abhängigkeits-Syntax für diese Aufgabe untersucht und erreichte dabei Stand der Technik-Ergebnisse. Allerdings berücksichtigen bestehende Ansätze keine Abhängigkeitslabel-Informationen, die intuitiv nützlich sein können. Um dieses Problem zu lösen, untersuchen wir ein neuartiges relationales Graph-Attention-Netzwerk, das typisierte syntaktische Abhängigkeitsinformationen integriert. Ergebnisse auf Standard-Benchmarks zeigen, dass unsere Methode die Label-Informationen effektiv nutzen kann, um die Leistung der gezielten Sentiment-Klassifikation zu verbessern. Unser endgültiges Modell übertrifft die Stand der Technik-Verfahren, die auf Syntax basieren, signifikant.