摘要

方面级情感分类（Aspect-Level Sentiment Classification, ASC）旨在预测用户评论中某一特定方面所对应的情感极性。尽管近年来ASC取得了显著进展，但让机器精准推断方面级情感仍面临诸多挑战。本文针对ASC中的两个核心问题展开研究：（1）由于缺乏方面知识，先前方法所提取的方面表示难以准确捕捉方面的语义内涵与属性信息；（2）现有方法通常仅能捕获局部句法信息或全局关系信息，导致在缺失任一信息时，句法建模均不充分。为应对上述挑战，本文提出一种新型ASC模型，该模型不仅能够端到端地嵌入并有效利用方面知识，还巧妙融合了两种句法信息，并使其相互补充、协同增强。本模型包含以下四个关键组件：（1）一种面向知识的门控循环记忆网络，通过递归方式动态整合并融合方面知识；（2）一种双语法图网络，联合建模局部与全局句法信息，从而全面捕捉充分的句法特征；（3）一种知识融合门控机制，进一步利用所需方面知识对最终表示进行增强；（4）一种方面到上下文的注意力机制，将所有隐藏状态中的方面相关语义信息聚合至最终表示中。在多个基准数据集上的实验结果表明，所提模型显著优于现有最先进方法，在准确率（Accuracy）和宏平均F1值（Macro-F1）两项指标上均取得了大幅领先。