论文 02 · 方面级情感分类

双向有向无环图神经网络方面级情感分类。

把依存树重建成双向有向无环图——让多跳情感信息真正传得动。

已发表 · TALLIP 2025 方面级情感分类 有向无环图 SenticNet 知识

许俊杰*、肖璐伟*、吴安然、马天龙、董道国、贺樑 · 华东师范大学(* 共同一作)

在依存树上跑 GNN 能拉近方面词与观点词的距离——但深度一高就会出现过平滑,长距离关系被抹平。BDAGNN 把句法重建成双向有向无环图,不靠堆深层就能多跳传播情感信息,并注入 SenticNet 情感常识——在四个基准上取得部分最优。

4个基准数据集评估
×2重建 DAG 的双向传播方向
多跳无需更深堆叠的情感信息流动
SenticNet注入图中的情感常识知识
01

问题

方面级情感分类问的是一个局部问题、但要靠全局上下文回答:这句话里的这个方面,是正、是负、还是中性?句法有帮助——依存树两跳就能把"食物"连到"难吃"。但标准 GNN 编码器用深度换距离:层数加深才能触达远的观点词,节点表征却随之糊成一团。

要问的是:句法结构本身能否被重建成让长距离情感证据在传播中存活?

02

方法

BDAGNN 做了两步结构改造。其一,双向有向无环图(BDAG)对依存树进行重构——以无环结构上协调的自底向上与自顶向下两个方向,取代单一根节点视角。其二,BDAGNN 编码器在该结构上高效地多跳传播情感信息,而不是依赖层层堆叠的 GNN。

SenticNet 的情感常识增强图的边,让分类在句子内部共现之外,还能查询关于情感的世界知识。

BDAGNN 框架:词嵌入、依存树、双向 DAG、多跳信息传递与方面级掩码
图 1BDAGNN 框架——从依存树到双向 DAG,经多跳信息传递,到方面级掩码与预测。
03

结果

BDAGNN 在四个基准数据集上取得部分最优性能——与最强 GNN 基线相当,并在若干设置上更优。

消融实验改变 BDAG 层数与方向:准确率与 F1 的响应与结构预测一致,说明带来提升的是双向无环重建本身,而不只是容量增加。

BDAGNN + BERT 在不同 BDAG 层数下的准确率与 F1
图 2BDAG 深度变化下的准确率(左)与 F1(右)——结构的作用可测量、非偶然。
04

主张边界

✓ 已确立

  • 句法依赖的双向 DAG 重构
  • 靠双向多跳传播而非堆叠深度来规避过平滑
  • SenticNet 情感常识融入图结构
  • 四个基准上的部分最优,附消融与分析

✗ 明确不主张

  • "部分最优"是有意措辞——BDAGNN 并非在所有设置上全面领先
  • 仅英文基准句子;无跨语言主张
  • 不主张 DAG 对应人类句法加工机制
  • 收益停留在模型侧;无人类被试评估
05

引用

@article{xu2025bdagnn,
  title   = {Bidirectional Directed Acyclic Graph Neural Network
             for Aspect-level Sentiment Classification},
  author  = {Xu, Junjie and Xiao, Luwei and Wu, Anran and Ma, Tianlong
             and Dong, Daoguo and He, Liang},
  journal = {ACM Transactions on Asian and Low-Resource Language
             Information Processing},
  volume  = {24},
  number  = {4},
  pages   = {33:1--33:14},
  year    = {2025},
  doi     = {10.1145/3716501}
}