基于双通道交互的图卷积网络方面级情感分析

基于方面的情感分析旨在识别文本中特定方面的情感极性，目前，大多数研究将句法依赖树和图卷积神经网络应用于方面级情感分析，并取得了不错的结果。然而，当一个评论文本包含多个方面时，大多数方法对每个方面单独建模，从而忽略了方面词之间的情感联系。为了解决这一问题，本文提出了一种用于方面级情感分析的双通道交互式图卷积网络(BC-GCN)模型。该模型同时考虑了句子的句法结构信息以及多个方面的情感依赖性，并使用图卷积网络来学习其节点信息表示。特别是，为了更好地捕获方面词和观点词的表示，我们利用交互注意力机制来学习图卷积网络产生的句法信息特征和多方面情感依赖特征。在多组公开数据集上的实验结果表明，我们提出的改进方法能显著提高模型的性能。

情感分析(Sentiment Analysis)， 又称意见挖掘、观点挖掘， 是自然语言处理(natural language processing, NLP)领域中的一项基本任务[1]，旨在挖掘评论文本中的情感信息。传统的情感分析研究主要集中在对文档或句子级别进行预测，识别出整个文档或句子整体的情感倾向。然而，通过对评论者的评论进行分析发现，一条评论文本通常会存在多个方面且各个方面的情感极性可能完全相反，文档或句子级情感分析无法正确解读出评论中各个方面的情感信息。因此，在情感分析领域，针对给定的方面进行细粒度情感分析已经成为主要的研究目标，能提高模型对评论中多个方面情感极性的判定能力，这就是方面级情感分析任务(Aspect-based Sentiment Analysis, ABSA)。

方面级情感分析旨在判定文本中特定方面的情感极性[2]，例如“The price is reasonable although the service is poor”评论中包括“price”和“service”两个不同的方面，其每个方面对应的观点词分别是“reasonable”和“poor”。在该条样本中，评论者对“price”方面的评价是积极的，但是对“service”方面的评价却是消极的，两个方面的情感极性截然相反。

情感分析的应用十分广泛，对电商平台而言，对消费者购买过的商品评价进行分析，有助于商家分析出用户的喜好并对产品做出相关的改进，进而完善销售策略，吸引更多的客户[3]。与此同时，消费者可以在购物的时候，参考其他消费者对产品的评价，调整自己的消费决策，提升自己的购物体验。对政府部门来说，通过对人们在社会舆论热点事件下发表的观点进行情感分析，有助于政府部门及时了解群众的情感动向，防止一些恶劣事件的发酵，辅助后续政策的制定，从而更好地为人民服务。此外，情感分析还可用于金融、通信、心理学及社会学研究等领域。

2. 相关工作 2.1. 方面级情感分析 方面级情感分析任务的关键是建模方面词与其相应观点词之间的联系。现有的方面级情感分析研究方法可以分为：基于情感词典和规则的方法、基于传统机器学习的方法和基于深度学习的方法。

早期的基于