Lernen aus strukturellem Kontext: Verbesserung der aspektbasierten Sentimentanalyse mit hybriden Graphen-Convolutional Networks

Die aspektbasierte Sentimentanalyse zielt darauf ab, die Sentimentpolariät gegenüber einem spezifischen Ziel in einem Satz zu bestimmen. Die zentrale Herausforderung dieser Aufgabe besteht darin, die Beziehung zwischen Zielen und Sentimenten effektiv zu modellieren, um irrelevante Meinungswörter von nicht zugehörigen Zielen zu filtern. Die meisten aktuellen Ansätze erfassen diese Beziehungen über Ziel-Sentiment-Paare oder Meinungsausschnitte aus einer Wort- oder Phrasenebene heraus. Ausgehend von der Beobachtung, dass Ziele und Sentimente grundsätzlich Beziehungen auf der grammatischen Hierarchie von Phrase-Klausel-Satz-Struktur aufbauen, erscheint es vielversprechend, umfassende syntaktische Informationen zur besseren Steuerung des Lernprozesses zu nutzen. Daher führen wir den Begriff „Scope“ ein, der einen strukturellen Textbereich umfasst, der einem spezifischen Ziel zugeordnet ist. Um strukturelle Scope und die Vorhersage der Sentimentpolariät gemeinsam zu lernen, schlagen wir ein hybrides Graphen-Convolutional-Netzwerk (HGCN) vor, das Informationen aus einer Constituency-Tree und einer Dependency-Tree synthetisiert und das Potenzial untersucht, zwei syntaktische Parsing-Methoden zu verbinden, um die Repräsentation zu bereichern. Experimentelle Ergebnisse auf vier öffentlichen Datensätzen zeigen, dass unser HGCN-Modell die derzeitigen state-of-the-art-Baselines übertrifft.