LSA: Modellierung der Aspekt-Sentiment-Kohärenz durch lokale Sentiment-Aggregation

Die Aspekt-Sentiment-Kohärenz ist ein faszinierendes, aber bisher wenig erforschtes Thema im Bereich der aspektbasierten Sentimentklassifizierung. Dieses Konzept spiegelt das häufige Muster wider, bei dem benachbarte Aspekte oft ähnliche Sentiments aufweisen. Trotz seiner Verbreitung haben aktuelle Studien das Potenzial der Modellierung von Aspekt-Sentiment-Kohärenz noch nicht vollständig erkannt, einschließlich ihrer Implikationen für die adversäre Verteidigung. Um die Aspekt-Sentiment-Kohärenz zu modellieren, schlagen wir ein neues Paradigma der lokalen Sentimentaggregation (LSA) vor, das auf der Erstellung eines differenzialgewichteten Sentimentaggregationsfensters basiert. Wir haben unser Modell durch umfangreiche Experimente evaluiert, und die Ergebnisse bestätigen die Effizienz der LSA hinsichtlich der Vorhersage von Aspektkohärenz und der aspektbasierten Sentimentklassifizierung. Zum Beispiel übertrifft es existierende Modelle und erreicht den Stand der Technik in der Sentimentklassifizierung auf fünf öffentlichen Datensätzen. Darüber hinaus zeigen wir die vielversprechende Fähigkeit der LSA in der adversären Verteidigung bei aspektbasierter Sentimentklassifizierung (ABSC), dank ihrer Modellierung von Sentimentkohärenz. Um weitere Erforschung und Anwendung dieses Konzepts zu fördern, haben wir unseren Code öffentlich zugänglich gemacht. Dies wird den Forschern ein wertvolles Werkzeug zur Verfügung stellen, um sich zukünftig mit der Modellierung von Sentimentkohärenz zu beschäftigen.