Enhancing the Performance of Aspect-Based Sentiment Analysis Systems

要約

アスペクトベースの感情分析は、感情の極性を細かい粒度で予測することを目的としています。
グラフ畳み込みネットワーク (GCN) は感情的な特徴抽出に広く利用されていますが、構文的特徴抽出に対するその単純な応用では、情報の保存が損なわれる可能性があります。
この研究では、SentiSys という名前の革新的なエッジ強化 GCN を導入し、機能情報をそのまま維持しながら構文グラフをナビゲートし、パフォーマンスの向上につながります。
具体的には、まず双方向長短期記憶 (Bi-LSTM) ネットワークとセルフアテンションベースのトランスフォーマーを統合します。
この組み合わせにより、効果的なテキスト エンコードが容易になり、情報の損失が防止され、長い依存テキストが予測されます。
次に、メッセージ パッシングを備えた双方向 GCN (Bi-GCN) を使用して、エンティティ間の関係をエンコードします。
さらに、アスペクト固有のマスキング技術を使用して不要な情報が除外されます。
提案したモデルの有効性を検証するために、4 つのベンチマーク データセットに対して広範な評価実験とアブレーション研究を実施します。
SentiSys を採用すると、アスペクトベースのセンチメント分析のパフォーマンスが向上することが結果から一貫して実証されています。
このアプローチは、構文的特徴抽出に関連する課題にうまく対処し、感情分析手法を進歩させる可能性を強調しています。

要約(オリジナル)

Aspect-based sentiment analysis aims to predict sentiment polarity with fine granularity. While Graph Convolutional Networks (GCNs) are widely utilized for sentimental feature extraction, their naive application for syntactic feature extraction can compromise information preservation. This study introduces an innovative edge-enhanced GCN, named SentiSys, to navigate the syntactic graph while preserving intact feature information, leading to enhanced performance. Specifically,we first integrate a bidirectional long short-term memory (Bi-LSTM) network and a self-attention-based transformer. This combination facilitates effective text encoding, preventing the loss of information and predicting long dependency text. A bidirectional GCN (Bi-GCN) with message passing is then employed to encode relationships between entities. Additionally, unnecessary information is filtered out using an aspect-specific masking technique. To validate the effectiveness of our proposed model, we conduct extensive evaluation experiments and ablation studies on four benchmark datasets. The results consistently demonstrate improved performance in aspect-based sentiment analysis when employing SentiSys. This approach successfully addresses the challenges associated with syntactic feature extraction, highlighting its potential for advancing sentiment analysis methodologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google