本技术涉及方面级情感分析技术,提出一种结合注意力机制和外部知识的判别方法,旨在解决情感分析中的准确性和全面性问题。该方法利用BERT模型,通过注意力机制和外部知识的有效结合,提高方面级情感分析的准确性和鲁棒性。
背景技术
情感分析是分析人们在文本评论中的情感、态度、意见和情感表达的过程。基于方面的情感分析(ABSA)是一种细粒度的情感分析任务,包括许多子任务,特别地,包含方面类情感分析(ACSA)。方面类别情感分析的目标是从评论者在句子中表达的意见中预测对特定方面类别的情感极性。与方面项情感分析不同,方面类通常比方面项更抽象且更高级,并且它们不一定会出现在给定的文本中。因此,方面类别情感分析是一项挑战性的任务。
在方面类别情感分析中,文本本身语义信息不足是一个重要的挑战问题,它限制了模型的对情感语义的建模和深层理解,在现有的技术方面仍存在缺陷。方面类别情感分析的难点在于:
(1)现有的情感分析研究通常依赖于流水线方法来解决任务,显然检测方面类别的结果对这些方法的性能有很大的影响,方面类检测中的错误会影响情感极性分类;此外,这些流水线方法忽略了两个独立任务之间的关联,而这些关联被认为对任务非常重要的。
(2)方面类别通常是明确或隐含第存在于句子中的抽象概念,相应的情感极性较难于准确识别。当不相关的情感词对方面类别具有语义意义时,方面类别和情感词可能会不匹配。此外,当情感隐含表达时,匹配也变得困难。
已有的相关方法或者系统主要集中在利用流水线方法,首先识别句子中包含的方面类别,然后预测检测到的方面类别的极性。虽然Lee等结合了多任务学习,但在该方法中方面类别和极性的预测仍然是分开的。随着深度学习和注意力机制的发展,出现了几种基于注意力机制的ACSA方法。Wang等人提出了一种基于注意力机制的长短期记忆网络(LSTM)方法,该方法可以考虑文本的各个部分,将多个方面类别作为输入。Gao等人进一步提出了一种分层注意力网络,以解决方面和情感词之间的不匹配问题。Tay等人将方面信息纳入模型,学习根据方面和句子词之间的关系进行注意。对于多方面情感分析,Hu等人提出了约束注意力网络,用于规范注意力和约束注意力权重分配。近年来,提示微调迅速兴起,并被引入细粒度情感分析中。例如,Gao等和Liu等研究了基于提示微调的细粒度情感分析任务,取得了可喜的成果。尽管这些方法不需要繁琐的特征工程,但当不相关的情感词对方面类别具有语义意义时,方面类别和情感词可能会不匹配。此外,当情感隐含表达时,匹配也变得更加困难。
另一类流行的方法基于GNN,可为方面类别分配更准确的情感信息。Li等人利用图注意力网络为给定句子的解析树中的节点创建表示。Cai等人提出了一种分层图卷积网络,用于识别给定句子中的多个方面类别,然后预测每个识别类别的情感极性。Zhang和Qian设计了一种交互式图卷积网络,用于在分层句法图和全局词汇图上卷积。Zhou等人提出了一种图网络模型,包含带边门控的图卷积网络的语义相关信息。Liang等人提出了一种图卷积网络,根据特定方面利用句子的情感依赖。然而,这些方法大多依赖于句子的解析树,当句子包含隐含的方面类别时,有时不能有效解析句子。
综上所述,现有的方面级情感分析技术和模型还存在外部知识利用不足、方面类判别和情感判别两个独立任务关联性差等问题。因此,需要一种新的方法来克服这些缺陷,以构建更稳定、可解释且性能优越的方面类别情感分析方法。
实现思路