摘要

本文针对结构化情感分析（SSA）任务，提出了一种新的方法，将SSA视为潜在依赖图解析问题。传统的SSA方法在构建图时存在忽视跨度内部结构的问题，导致仅使用跨度的边界标记进行关系预测和跨度识别，限制了模型的表达能力。本文的方法将扁平跨度视为潜在子树，考虑跨度的内部结构，提出了一种两阶段解析方法，并利用TreeCRFs和一种新颖的约束内部算法来显式建模潜在结构。实验结果表明，该方法在五个基准数据集上的表现显著优于所有先前的双词法方法，达到了新的最先进水平。

原理

本文提出的方法将结构化情感分析（SSA）任务视为潜在依赖图解析问题。具体来说，将扁平跨度视为潜在子树，通过TreeCRFs和约束内部算法显式建模这些潜在子树的结构。该方法的核心在于通过枚举所有可能的弧和跨度，并使用约束内部算法计算它们的概率，从而实现对潜在结构的显式建模。此外，该方法还利用了双仿射或三仿射注意力方法来计算所有可能弧和跨度的得分，这些方法在依赖解析中常用。在解码阶段，通过解析得分最高的依赖树并从中重建SSA结构，从而实现对跨度边界的准确推断和跨度间关系的全局预测。

流程

本文提出的SSA方法的工作流程包括以下几个关键步骤：

1. 转换和训练潜在树：将输入句子转换为潜在依赖图，并通过训练获得跨度和树结构表示。
2. 解码和恢复潜在树：在解码阶段，解析得分最高的依赖树，并从中恢复表达式和相应的持有者/目标结构。
3. 方法论：包括上下文编码器和评分模块，以及约束TreeCRF来计算SSA部分观测树的概率。
4. 实验：在五个基准数据集上进行广泛实验，验证模型的性能。

应用

本文提出的SSA方法在多个领域具有广泛的应用前景，包括但不限于：

• 社交媒体分析：用于分析用户生成内容中的情感倾向。
• 产品评论分析：帮助企业了解消费者对产品的情感态度。
• 舆情监控：实时监控和分析公众对特定事件或话题的情感反应。
• 情感驱动的推荐系统：基于用户情感分析提供个性化推荐。