神经子图探索器：通过面向目标的句法图剪枝降低噪声信息

近年来，利用句法图进行目标情感分类任务取得了新兴成功。然而，我们发现现有基于句法的模型存在两个问题：噪声信息聚合与远距离关联丢失。本文提出一种称为神经子图探索器（Neural Subgraph Explorer）的新模型，其（1）通过在句法图上剪枝与目标无关的节点来降低噪声信息；（2）将目标与其相关词之间有益的一阶连接引入所得图。具体而言，我们设计了一个多跳动作分数估计器，以评估每个词针对特定目标的价值。离散动作序列通过 Gumble-Softmax 采样，随后用于句法图与自注意力图。为引入目标与其相关词之间的一阶连接，将两个剪枝后的图合并。最后，在所得统一图上执行图卷积以更新隐状态。该过程以多层堆叠。据我们所知，这是该任务中首次进行面向目标的句法图剪枝的尝试。实验结果证明了我们模型的优越性，其达到了新的 SOTA 性能。