要約
現在の感情分析（ABSA）に関する研究では、依存解析を用いて語の関係を活用するニューラルグラフベースのモデルが広く採用されており、文脈語と特徴語の分析により良い意味的ガイダンスを提供する点で効果が示されている。しかし、これらの研究の多くは依存関係の種類（dependency types）を考慮せず、単に依存関係の存在のみを活用している。また、重要な関係を効果的に識別するメカニズムが不足しており、グラフベースモデルの異なる層から学習するための効率的な仕組みも欠如しているという課題がある。本論文では、こうした制約を克服するため、依存関係の種類を明示的に活用する「タイプ認識型グラフ畳み込みネットワーク（T-GCN）」を用いたアプローチを提案する。T-GCNでは、グラフ内の異なるエッジ（関係）を区別するためにアテンション機構を導入し、アテンションを用いた層統合（attentive layer ensemble）により、T-GCNの複数の層から包括的に学習を行う。実験結果により、本手法の有効性と実用性が検証され、6つの英語ベンチマークデータセットにおいて最先端の性能が達成された。さらに、本手法の各構成要素の貢献度を分析するための追加実験を行い、T-GCNの異なる層がABSAにどのように寄与しているかについて、定量的および定性的な観点から詳細に解明した。