动态跨度交互与图感知记忆用于实体级情感分类
计算与语言
2025-10-14 v2
摘要
实体级情感分类涉及识别文本中与特定实体相关联的情感极性。这项任务面临若干挑战：有效建模实体与其周围情感表达之间微妙而复杂的交互；捕捉可能跨越句子的依赖关系；以及通过共指消解确保同一实体多次提及的情感预测一致性。此外，否定、歧义和重叠意见等语言现象进一步使分析复杂化。这些复杂性使实体级情感分类成为一个难题，尤其是在真实世界的噪声文本数据中。为了解决这些问题，我们提出了SpanEIT，一个结合动态跨度交互和图感知记忆机制的新型框架，用于增强实体-情感关系建模。SpanEIT为实体和候选情感短语构建基于跨度的表示，采用双向注意力进行细粒度交互，并使用图注意力网络捕捉句法和共现关系。一个共感知记忆模块确保跨文档的实体级一致性。在FSAD、BARU和IMDB数据集上的实验表明SpanEIT在准确率和F1分数上优于最先进的变换器基和混合基线方法。消融和可解释性分析验证了我们方法的有效性，强调了其在社交媒体监控和客户反馈分析等应用中进行细粒度情感分析的潜力。
引用
@article{arxiv.2509.11604,
title = {Dynamic Span Interaction and Graph-Aware Memory for Entity-Level Sentiment Classification},
author = {Md. Mithun Hossain and Sanjara and Md. Shakil Hossain and Sudipto Chaki},
journal= {arXiv preprint arXiv:2509.11604},
year = {2025}
}