S$^2$GSL: 将片段融入句法增强的图结构学习用于方面级情感分析
计算与语言
2024-06-10 v2
摘要
先前基于图的方法在方面级情感分析（ABSA）中通过使用图神经网络和注意力机制学习静态依赖树和动态潜在树的结构，展示了令人印象深刻的性能。然而，在复杂的全局结构中同时整合语义和句法信息可能会在图结构学习过程中引入不相关的上下文和句法依赖，可能导致不准确的预测。为了解决上述问题，我们提出了SGSL，将片段融入句法增强的图结构学习用于ABSA。具体来说，SGSL具有片段感知的语义图学习和基于句法的潜在图学习，分别能够去除不相关的上下文和依赖。我们进一步提出了一种自适应聚合网络，促进两个图学习分支的融合，从而实现不同结构之间的互补性。在四个基准上的实验证明了我们框架的有效性。
引用
@article{arxiv.2406.02902,
title = {S$^2$GSL: Incorporating Segment to Syntactic Enhanced Graph Structure Learning for Aspect-based Sentiment Analysis},
author = {Bingfeng Chen and Qihan Ouyang and Yongqi Luo and Boyan Xu and Ruichu Cai and Zhifeng Hao},
journal= {arXiv preprint arXiv:2406.02902},
year = {2024}
}
备注
ACL2024(main)