摘要

在现有基于方面的情感分析（Aspect-Based Sentiment Analysis, ABSA）研究中，基于神经图模型的方法被广泛采用，其通过依存句法分析挖掘词语之间的关系，从而为上下文与方面词的语义分析提供更优的指导。然而，大多数现有研究仅利用依存关系，而未考虑依存类型本身，且缺乏高效的机制来区分重要关系，也难以充分挖掘图神经网络多层结构中的信息。针对上述局限，本文提出一种新型方法，通过引入类型感知的图卷积网络（Type-aware Graph Convolutional Networks, T-GCN），显式利用依存类型以增强ABSA性能。在T-GCN中，注意力机制被用于区分图中不同边（即依存关系）的重要性，同时提出注意力层集成（attentive layer ensemble）策略，以全面融合T-GCN各层次的特征表示。实验结果验证了所提方法的有效性与优越性，在六个英文基准数据集上均取得了当前最优的性能表现。此外，通过进一步的消融实验，定量与定性分析了各组件的贡献，并深入揭示了T-GCN不同层次在提升ABSA任务中的具体作用机制。