NLP论文（情感分析）：《A Novel Bi-Branch Graph Convolutional Neural Network for Aspect Level Sentiment Classif

论文

NLP论文笔记合集（持续更新）

原论文：《A Novel Bi-Branch Graph Convolutional Neural Network for Aspect Level Sentiment Classification》

介绍

2021年07月18日至22日会议发表的文章

模型结构

文章翻译

Abstract

aspect 级情感分类是情感分析中的一项细粒度任务，其主要目的是识别特定方面的情感极性。当前的图卷积网络（GCN）在处理语义和句法上的情感分类方面有其独特的优势。然而，GCN在处理复杂结构句子时引入噪声方面仍然存在不足。为了解决这些问题，我们提出了一种新的双分支GCN（Bi-B GCN）。在我们的模型中，利用 attention 机制构造了一个 attention 权重图来替代基本语法依赖树，从而去除不相关的信息。此外，还设计了一个语义依赖图，将语义信息补充到语法依赖树中，在此基础上可以捕获不同单词之间的连接。此外，在情感分类任务中，采用组合门控机制对语义信息和句法信息进行整合。在各种数据集上进行了大量实验，以验证Bi-B GCN的工作性能。令人鼓舞的结果证明了所提出模型的高精度。

V. CONCLUSION

在这项工作中，提出了一个双分支GCN（Bi-B GCN）模型来消除ALSC（aspect-level sentiment classification）任务中GCN处理过程中的噪声。构造了一个 attention 权重图来代替基本的语法依赖树，在此基础上引入 attention 机制来捕捉不同节点之间的关系并去除无关信息。针对结构复杂的句子，提出了一种语义依赖图对句法依赖树进行语义补充。通过这种方式，句子中不同单词之间的语义联系得以建立。在GCN处理过程中，采用组合门控机制将语义信息和句法信息集成起来进行情感分类。实验结果表明，该模型在ALSC中是一种具有竞争力的替代方案，并在各种数据集上获得了最新的结果。

进一步的工作将集中在依赖树的构建和GCN层数量的调查上，这可以进一步优化当前模型的工作性能。

相关的笔记

如何理解 Graph Convolutional Network（GCN）？

相关代码

pytorch

tensorflow

keras

pytorch API:

tensorflow API