论文 05 · 方面级情感分类

语义-句法混合图上的图卷积。

句法告诉你谁修饰谁,语义与情感告诉你这意味着什么——SSGCN 拒绝二选一。

已发表 · IJCNN 2022 混合图 门控融合 SenticNet

许俊杰、杨书文、肖璐伟、傅志超、吴兴蛟、马天龙、贺樑 · 华东师范大学

在依存树上做图卷积成了方面级情感分类的默认选项——但它只读句法。补语义关系或补情感依赖的改进各自只解决一个局限。SSGCN 用自注意力构建语义隐图、用 SenticNet 增强依存图,再让门控机制动态融合两者——在三个基准上取得最优。

3个取得最优结果的基准数据集
2种图来源:语义隐图 + 增强依存图
1个动态融合两者的门控机制
2022IJCNN · 最早的一作架构工作
01

问题

在 "Despite the awful food, the service is excellent" 里,依存树正确地把 "food" 连到 "awful"、"service" 连到 "excellent"。但纯句法在短而嘈杂的语境里很脆——而且除了句子表面,它对情感一无所知。

已有工作或补语义隐关系、或补情感知识。SSGCN 回答的问题是:当两种信息源被联合建模、自适应融合时,会发生什么?

02

方法

SSGCN 维护两张并行的图。语义隐图从自注意力网络解析而来,捕捉依存树画不出的关系。经 SenticNet 增强的句法依存图让情感知识沿语法结构流动。

随后门控机制按输入逐例决定两张图对方面表征的贡献占比——融合是动态的,不是固定加权平均。

SSGCN 总体架构:词嵌入、语义隐图、增强句法图、带门控的混合图卷积
图 1SSGCN 总体架构——词嵌入同时供给语义隐图与 SenticNet 增强的句法图,门控融合后做方面级预测。
03

结果

在三个基准数据集上,SSGCN 超过纯句法与单一增强的基线,取得最优性能——证明语义关系与情感关系互补而非冗余。

门控分析显示融合权重随输入而变:短而嘈杂的句子更依赖语义隐图,语法清晰的句子更依赖增强依存图。

SSGCN 消融实验:准确率与 F1 随 GCN 层数的变化
图 2GCN 深度消融——准确率与 F1 随图卷积层数变化,支持混合图设计。
04

主张边界

✓ 已确立

  • 语义隐关系与情感增强句法关系的联合建模
  • 动态门控融合而非固定组合
  • 发表时在三个基准上取得最优
  • 第一篇一作架构工作——情感计算路线的起点

✗ 明确不主张

  • 仅英文餐厅/笔记本/推特基准
  • 情感增强受 SenticNet 覆盖面限制
  • 无生成式或跨语言主张
  • 原始数值已被后续工作超越——保留的是设计启示
05

引用

@inproceedings{xu2022ssgcn,
  title     = {Graph Convolution over the Semantic-Syntactic Hybrid Graph
               Enhanced by Affective Knowledge for Aspect-level
               Sentiment Classification},
  author    = {Xu, Junjie and Yang, Shuwen and Xiao, Luwei and Fu, Zhichao
               and Wu, Xingjiao and Ma, Tianlong and He, Liang},
  booktitle = {2022 International Joint Conference on Neural Networks (IJCNN)},
  year      = {2022},
  doi       = {10.1109/IJCNN55064.2022.9892027}
}