AF-MAT：基于轴向感知翻转-融合 xLSTM 的轴向情感分析

轴向情感分析（ABSA）是从文本中提取细粒度意见与情感的关键自然语言处理任务，例如产品评论和客户反馈。现有方法常在效率与性能之间失衡：传统的LSTM或RNN模型难以捕获长程依赖，基于转换器的方法计算成本高昂，Mamba-based方法依赖CUDA且削弱了局部依赖建模。最近提出的扩展长短期记忆（xLSTM）模型通过指数门控和增强记忆变体（sLSTM用于建模局部依赖，mLSTM用于可扩展且可并行的记忆）有效捕获长程依赖，为ABSA提供了有前景的替代方案。然而，xLSTM在ABSA中的应用尚未探索。为此，我们引入轴向感知翻转-融合 xLSTM（AF-MAT），一个利用xLSTM优势的框架。AF-MAT包含轴向感知矩阵LSTM（AA-mLSTM）机制，引入专用轴向门，使模型在记忆更新时能够选择性地强调与目标轴向相关的语义标记。为建模多尺度上下文，我们采用FlipMix模块，依次应用部分翻转Conv1D（pf-Conv1D）以反序捕获短程依赖，随后采用完全翻转mLSTM（ff-mLSTM）通过完全序列翻转来建模长程依赖。此外，我们提出MC2F，即基于mLSTM门控的轻量级多头交叉特征融合，动态融合AA-mLSTM输出（查询和键）与FlipMix输出（值），实现自适应表征集成。在三个基准数据集上的实验表明，AF-MAT在ABSA任务中超越了最先进的基线，实现了更高的准确率。