摘要: 近年来，互联网产业发展迅速，人们在享受线上购票订餐、资讯分享等服务的便捷时，也留下了海量的用户评论。这些评论往往包含了大量评价者的主观情感信息，蕴含着巨大的商业和社会价值。评论者往往会对同一对象的多个方面进行评价，并且其对应的情感... 展开 近年来，互联网产业发展迅速，人们在享受线上购票订餐、资讯分享等服务的便捷时，也留下了海量的用户评论。这些评论往往包含了大量评价者的主观情感信息，蕴含着巨大的商业和社会价值。评论者往往会对同一对象的多个方面进行评价，并且其对应的情感极性也各有不同。因此，方面级情感分析任务逐渐成为研究热点。但目前的大多数研究集中于判断文本中明确出现的方面术语的情感极性，其中存在着两个问题。第一，使用不同的方面术语表达同样方面而导致了大量的信息冗余；第二，无法处理文本中省略方面实体词的情况。因此，本文研究面向预定义的方面类别情感分析方法。主要研究内容包括： 针对现有方面类别情感分析方法往往只关注方面类别与上下文间的内容关系而忽略了句子的语法信息，或者只考虑了句子的句法依存性而忽略了常识知识信息的不足，本文研究了一种基于知识增强图的方面类别情感分析方法。该方法使用句法依存树进行构图，并利用外部知识库对图进行了增强，使与方面类别相关的情感信息得以在图网络中充分传播。在五个公开的基准数据集上的实验结果显示，在使用静态词向量工具GloVe作为词嵌入时，在评价指标ACC和F1上平均高于现有方法0.62%和2.98%；在使用BERT预训练模型作为词嵌入时，相比于现有方法，ACC和F1值平均提高了1.25%和4.26%。 观察发现句子中不同的单词对于方面词的影响程度不同。另外，构成方面类别的实体和属性在句中扮演了不同的角色，所以在构建图网络时应区分它们不同的影响。为此，本文提出了一种基于方面感知图的方面类别情感分析方法。该方法利用统计学知识，基于Beta分布和外部知识库对所有词之间的联系进行建模，并引入联系权重进行构图，目的是充分利用上下文中与方面类别相关的情感依存信息。在五个公开的基准数据集上的实验结果显示，在使用GloVe作为词嵌入时，该方法在评价指标ACC和F1上相比现有方法平均提高了3.38%和7.46%；在使用BERT作为词嵌入时，相比于现有方法，ACC和F1值平均提高了3.48%和7.72%，达到了目前已知最高性能。 收起