摘要

基于目标的情感分析涉及意见目标提取和目标情感分类两个子任务。然而，现有的大多数研究通常只单独研究这两个子任务中的一个，这限制了它们在实际应用中的效果。本文旨在以端到端的方式解决基于目标的情感分析的完整任务，并提出了一种新的统一模型，该模型采用了一种统一的标记方案。我们的框架包含两个堆叠的循环神经网络：上层网络预测统一标签以生成主要基于目标的情感分析的最终输出结果；下层网络执行辅助的目标边界预测，旨在指导上层网络提高主要任务的性能。为了探索任务间的依赖关系，我们提出了显式建模从目标边界到目标情感极性的受约束转换。此外，我们还提出通过门机制来保持意见目标内部的情感一致性，该机制建模当前词特征与前一个词特征之间的关系。我们在三个基准数据集上进行了广泛的实验，实验结果表明我们的框架在这些数据集上始终表现出色。