基于知识增强的双 Transformer 情感分析模型

     为解决 ABSA 大多数 GCN 模型中构建句法依赖图时忽略情感知识、句法依赖 图中依赖关系过多产生噪声、对长距离或不连贯单词建模时性能降低等不足。[方法]利用情 感常识知识库 SenticNet7 中情感得分改进句法依赖图并考虑对多种句法依赖关系类型分类 降噪，其次使用双 Transformer 网络增强处理长距离词的性能，同时改进句法依赖图能增强 语义特征的表示学习。[结果]在五个公开数据集上，所提模型的 F1 值分别达到 74.97%、 76.13%、74.83%、68.01%、74.54%，与多种基准模型相比，其 F1 值分别平均提高 3.85%、 5.22%、3.48%、6.80%、7.49%。[局限]由于数据集中存在一定比例的隐式情感句，所提模型 无法学习到更准确的隐式情感特征，分析结果受限。[结论]所提模型融合情感常识知识和降 噪后句法关系重构双 Transformer 网络，改善了 ABSA 的效果。

在信息时代的浪潮下，消费者的购物决策不再仅仅依赖与产品的外在特征或 者广告宣传，而更多地倾向于通过其他消费者的评论来获取关于产品的真实体验。 因此，对商品评论进行情感分析已成为商业领域中不可或缺的一环。传统的情感 分析往往仅对整体评论进行情感分类，而忽略了评论中针对不同方面的情感倾向。 但在实际应用中，消费者更关心的是商品的具体特征，比如性能、外观、耐用性 等。方面级情感分析以商品的具体特征为单位来分析评论中商品具体特征的情感 倾向，能够更准确地捕捉到消费者对于商品不同方面的喜好或不满，更贴近实际 场景，为企业提供更有针对性的改进建议。 方面级情感分析目的在于挖掘不同方面的情感倾向。早期 ABSA 使用基于长 短期记忆（Long Short-Term Memory，LSTM）、卷积神经网络（Convolutional Neural Networks, CNN）或混合网络等方法，这些方法存在的问题大多已被基