我们引入了一种创新模型：句法依赖增强的多任务交互架构 (SDEMTIA)，用于全面的基于方面的情感分析 (ABSA)。我们的方法创新地利用了句法知识 (依赖关系和类型)，并使用专门的句法依赖嵌入交互网络 (SDEIN)。我们还在多任务学习框架内结合了一种新颖高效的信息传递机制，以增强学习效果。我们在基准数据集上的广泛实验证明了我们模型的优越性，明显超越了现有方法。此外，引入 BERT 作为辅助特征提取器进一步提高了我们模型的性能。

Nov, 2023

该研究提出了一种名为 KGAN 的知识图增强网络，旨在增强对细粒度情感分析任务的理解。该方法通过并行学习语境和句法表示来捕获情感特征，然后结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示，并通过分层融合模块进行完整的特征表示。该方法在五个流行的 ABSA 数据集上进行了大量实验，并在所有数据集中实现了最先进性能的新纪录。

Jan, 2022

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

通过增强方面 - 句子感知关注机制，提出了一个名为 A3SN 的新颖技术，通过增加注意力模块和整合特征表示，增强了 Aspect-Based Sentiment Analysis（ABSA）的效果，并在三个基准数据集上胜过了最先进的基准模型。

May, 2024

本文提出了一种新颖的 Aspect-Guided Deep Transition 模型（AGDT），该模型通过专门设计的深层转换结构从头开始利用所给定的方面来指导句子编码，以重构给定的方面与生成的句子表示相结合的面向方面的目标，从而能够准确生成面向方面的句子表示形式，进而进行更准确的情感预测，并通过多个 SemEval 数据集的实验结果表明，我们提出的方法明显优于最佳报道结果。

Sep, 2019

本研究针对情感分析在实际应用中的可靠性进行了探究，通过加强当前最佳的句法感知模型，并基于丰富的伪数据进行敌对训练，进一步提高了模型的鲁棒性。实验结果表明，所提出的方法比现有的基线模型的鲁棒性性能更好，同时合成语料库作为额外数据能够进一步提高测试准确性。

Apr, 2023

该研究介绍了一种名为 “Extensible Multi-Granularity Fusion（EMGF）网络” 的方法，通过整合依赖句法、常量句法、注意力语义和外部知识图等信息，有效地利用每个粒度特征和它们之间的协同作用，实现了累积效应，而不会增加额外的计算费用。在 SemEval 2014 和 Twitter 数据集上的实验结果验证了 EMGF 方法对现有 ABSA 方法的优越性。

Feb, 2024

本研究提出了一种基于传输学习的混合方法，通过利用大型语言模型和传统句法依存关系生成弱监督注释，以解决当前最先进的 ABSA 研究中的显著挑战。在多个数据集上进行了大量实验，证明了该混合方法在方面词提取和方面情感分类任务中的有效性。

Mar, 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

本论文提出了一种整合了明确情感增强的 ABSA 方法，通过基于规则的数据对 T5 进行后训练，并采用句法距离加权和不合理对比正则化来生成明确情感，同时利用约束束搜索确保增强句子包含方面术语，在 ABSA 两个最流行的基准测试中，ABSA-ESA 在隐式和明确情绪准确性上优于 SOTA 基线。

Dec, 2023