유형 인식 그래프 컨볼루션 네트워크와 레이어 앙상블을 활용한 아спект 기반 감성 분석

기존의 문맥 기반 감성 분석(ABSA) 연구에서는 의존성 파싱을 통해 단어 간 관계를 활용함으로써 문맥과 주제어 분석에 더 나은 의미적 지침을 제공하기 위해 신경 그래프 기반 모델이 널리 활용되고 있다. 그러나 이러한 연구 대부분은 의존성 관계의 유형(의존성 타입)을 고려하지 않고 단순히 의존성 관계만을 활용하며, 중요한 관계를 구분할 수 있는 효율적인 메커니즘이 부족하고, 그래프 기반 모델의 다양한 레이어로부터 학습하는 데 한계가 있다. 이러한 한계를 해결하기 위해 본 논문에서는 의존성 타입을 명시적으로 활용하는 방법을 제안한다. 구체적으로, 타입 인지 그래프 컨볼루션 네트워크(T-GCN)를 도입하여 T-GCN 내부에서 어텐션을 사용해 그래프 내 다양한 간선(관계)을 구분하고, 어텐션 기반 레이어 앙상블 기법을 제안하여 T-GCN의 다양한 레이어에서 종합적으로 학습할 수 있도록 한다. 실험 결과를 통해 제안된 방법의 타당성과 효과성이 입증되었으며, 6개의 영어 기준 데이터셋에서 최신 기술(SOTA) 수준의 성능을 달성하였다. 추가 실험을 통해 제안된 방법의 각 구성 요소가 기여하는 바를 분석하고, T-GCN 내부의 다양한 레이어가 ABSA에 어떻게 기여하는지를 정량적 및 정성적 분석을 통해 설명하였다.