Extensible Multi-Granularity Fusion Network for Aspect-based Sentiment Analysis

要約

アスペクトベースの感情分析 (ABSA) は、テキスト内の感情表現を評価して感情情報を理解します。
以前の研究では、知識グラフなどの外部知識を統合して、ABSA モデルのセマンティック機能を強化しました。
最近の研究では、構文解析のための依存関係および構成ツリーに対するグラフ ニューラル ネットワーク (GNN) の使用が検討されています。
ABSA の進行中の開発に伴い、より革新的な言語的および構造的機能 (潜在グラフなど) が組み込まれていますが、これにより複雑さと混乱も生じます。
現時点では、多様な言語的および構造的特徴を ABSA に統合するためのスケーラブルなフレームワークは存在しません。
この論文では、依存関係と構成要素の構文、注意の意味論、および外部ナレッジ グラフからの情報を統合する Extensible Multi-Granularity Fusion (EMGF) ネットワークについて説明します。
マルチアンカー トリプレット学習と直交射影を備えた EMGF は、各粒度特徴とそれらの相乗的な相互作用を組み合わせた可能性を効率的に活用し、追加の計算コストを費やすことなく累積的な効果をもたらします。
SemEval 2014 と Twitter データセットに関する実験結果は、EMGF が既存の ABSA 手法よりも優れていることを確認しています。

要約(オリジナル)

Aspect-based Sentiment Analysis (ABSA) evaluates sentiment expressions within a text to comprehend sentiment information. Previous studies integrated external knowledge, such as knowledge graphs, to enhance the semantic features in ABSA models. Recent research has examined the use of Graph Neural Networks (GNNs) on dependency and constituent trees for syntactic analysis. With the ongoing development of ABSA, more innovative linguistic and structural features are being incorporated (e.g. latent graph), but this also introduces complexity and confusion. As of now, a scalable framework for integrating diverse linguistic and structural features into ABSA does not exist. This paper presents the Extensible Multi-Granularity Fusion (EMGF) network, which integrates information from dependency and constituent syntactic, attention semantic , and external knowledge graphs. EMGF, equipped with multi-anchor triplet learning and orthogonal projection, efficiently harnesses the combined potential of each granularity feature and their synergistic interactions, resulting in a cumulative effect without additional computational expenses. Experimental findings on SemEval 2014 and Twitter datasets confirm EMGF’s superiority over existing ABSA methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google