構造的スコープから学ぶ：ハイブリッドグラフ畳み込みネットワークを用いたアスペクトレベル感情分析の向上

スコープレベルの感情分析は、文における特定の対象に対する感情極性を特定することを目的としている。このタスクの主な課題は、対象と感情の関係を効果的にモデル化し、関係のない対象に対して無関係な意見語を除去することである。近年の多くの研究では、単語レベルまたはフレーズレベルの観点から、対象と感情のペアや意見スパンを通じて関係を捉えている。本研究では、対象と感情が基本的に句・節・文という文法的階層構造に従って関係を構築していることに着目し、より包括的な構文情報を活用することで学習プロセスを効果的に導く可能性があると考察した。そこで、特定の対象に関連する構造的テキスト領域を定義する「スコープ」という概念を導入した。構文的スコープの同時学習と感情極性の予測を実現するため、構文木（constituency tree）と依存木（dependency tree）からの情報を統合するハイブリッドグラフ畳み込みネットワーク（HGCN）を提案する。この手法により、二つの構文解析手法を連携させることで表現力を豊かにする可能性を検証した。4つの公的データセットにおける実験結果から、本研究で提案するHGCNモデルが、現在の最先端モデルを上回ることを示した。