DigNet：从局部-全局交互图挖掘方面级情感分类线索
计算与语言
2022-05-04 v2
摘要
在方面级情感分类（ASC）中，最先进的模型编码句法图或关系图以捕获局部句法信息或全局关系信息。尽管句法图与关系图各有优势，但它们被忽视的固有缺陷限制了图建模过程中的表示能力。为克服其局限，我们设计了一种新颖的局部-全局交互图，通过交互边缝合两图以融合二者优势。为建模该局部-全局交互图，我们提出一种称为 DigNet 的新型神经网络，其核心模块为堆叠的局部-全局交互（LGI）层，执行两类过程：图内消息传递与跨图消息传递。借此，局部句法与全局关系信息可在理解方面级情感时调和为一体。具体而言，我们设计了具有不同交互边类型的两种局部-全局交互图变体，以及三种 LGI 层变体。我们在若干公开基准数据集上实验，结果表明在 Lap14、Res14 与 Res15 数据集上以 Macro-F1 计分别超越先前最佳分数 3%、2.32% 与 6.33%，证实了所提局部-全局交互图与 DigNet 的有效性与优越性。
引用
@article{arxiv.2201.00989,
title = {DigNet: Digging Clues from Local-Global Interactive Graph for Aspect-level Sentiment Classification},
author = {Bowen Xing and Ivor Tsang},
journal= {arXiv preprint arXiv:2201.00989},
year = {2022}
}
备注
submitted to Journal of Artificial Intelligence Research (JAIR)