本文通过有效的句法信息编码，以新的树形结构对情感识别进行了研究，提出了关系图注意力网络（R-GAT）并在 SemEval 2014 数据集和 Twitter 数据集上进行了广泛实验，结果表明我们的方法可以更好地建立方面和意见词之间的联系，并且图注意力网络（GAT）的表现得到了显著提高。
Apr, 2020
本文提出了一种新方法，通过解决上下文特定词义的挑战来提高情感分析的效果。它结合了双向长短期记忆网络（Bi-LSTM）和知识图谱的同义词数据的优势，利用动态注意力机制开发出一种知识驱动的状态向量。为了对特定方面的情感进行分类，该方法构建了一个集成位置数据的存储库，然后使用多层门控循环单元（GRU）分析此数据以确定与特定方面词相关的情感特征。对三个广泛可用的数据集的测试结果表明，该方法在情感分类方面表现出优秀的性能。
Dec, 2023
通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。
Sep, 2019
本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过 SemEval 2014 数据集的评估表明了其优越性。此外，我们还开展了实验以评估 GCN 模块的有效性，并表明不同方面之间的依赖关系在方面级情感分类中具有高度的帮助作用。
Jun, 2019
本研究探讨了图注意力网络在提取方面和意见术语方面的能力。我们将方面和意见术语提取看作是一种类似于命名实体识别的标记级分类任务，并使用输入查询的依赖树作为图注意力网络中的附加特征，结合了标记和词性特征。实验证明依赖结构是一个强大的特征，在 CRF 层的存在下显著提高了性能，并在 SemEval 2014、2015 和 2016 的常用数据集上生成了最佳结果。除了 CRF 层外，我们还尝试了 BiLSTM 和 Transformer 等额外层次。我们还表明，在同一查询中存在多个方面或情感的情况下，我们的方法也能很好地运行，无需根据单个方面修改依赖树，这与原始的情感分类应用不同。
Apr, 2024
文章提出了一种称为 BiSyn-GAT + 的新方法，用于解决传统基于依赖树的 Aspect-Based 情感分析方法的噪声干扰问题，该方法通过完全利用句子的依存树特征，包括短语分割和层次结构，来建模情感感知单个方面的上下文和跨方面的情感关系。通过实验证明，该方法对于 Aspect-Based 情感分析的四种基准数据集均优于现有的最先进方法。
Apr, 2022
该研究引入了一种名为 SentiSys 的创新增强型边缘图卷积网络，用于在保留完整特征信息的同时导航句法图，从而提高情感分析性能。评估实验和消融研究表明，SentiSys 在方面级情感分析中取得了改进的性能，成功解决了句法特征提取的挑战，展示了其推进情感分析方法学的潜力。
提出了一种新的双重注意模型 (DAM) 用于方面级情感分类，该模型使用依存标签作为关注机制以提高性能，并在 SemEval 2014 和 Twitter 数据集上进行实验，取得了良好的效果。
Mar, 2023
本文介绍了一种利用 AOA 网络的方案，用于精准的情感分析，相较于之前的基于 LSTM 的网络结构，有更好的表现。
Apr, 2018
本文提出了一种基于图的深度学习模型，该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量，并在模型中注入从依赖树中获取的每个单词的重要性得分，从而改善方面级情感分析的表征向量，实现了三个基准数据集上的最新成果。
Oct, 2020