BERT4GCN：利用 BERT 中间层增强 GCN 进行基于方面的情感分类

EMNLPOct, 2021

BERT4GCN：利用 BERT 中间层增强 GCN 进行基于方面的情感分类

BERT4GCN: Using BERT Intermediate Layers to Augment GCN for Aspect-based Sentiment Classification

Zeguan Xiao, Jiarun Wu, Qingliang Chen, Congjian Deng

TL;DR本文提出了一种新的模型 BERT4GCN，它将来自 BERT 中间层的语法顺序特征与依存图中的句法知识相结合，以更好地编码依存图进行下游分类，并通过实验验证，BERT4GCN 可以极大地增强 ABSC 模型的能力。

Abstract

Graph-based aspect-based sentiment classification (ABSC) approaches have yielded state-of-the-art results, expecially when equipped with contextual word embedding from pre-training language models (PLMs). However

aspect-based sentiment classification pre-training language models bert4gcn graph convolutional network grammatical features

发现论文，激发创造

增强面向方面的情感分析系统性能

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。

Apr, 2024

VGCN-BERT: 使用图嵌入增强 BERT 进行文本分类

本文提出了 VGCN-BERT 模型，结合 BERT 和 Vocabulary Graph Convolutional Networks (VGCN) 的能力进行文本分类，实验证明其在多个文本分类数据集上性能优于单独使用 BERT 和 GCN，并且比以前的研究效果更好。

Apr, 2020

RDGCN: 基于强化依存图卷积网络的方面情感分析

提出了一种新的增强依赖图卷积网络 (RDGCN)，它改进了依赖关系的重要性计算，包括距离和类型视图。在三个常见数据集上的综合实验表明，RDGCN 在所有验证中优于最先进的基于 GNN 的基线模型。

Nov, 2023

门控图卷积网络和基于语法规则的调控改进方面情感分析

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

基于特定方面图卷积网络的方面情感分类

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

利用图卷积网络建模情感依赖性进行方面级情感分类

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

基于局部和全局特征的方面情感分类的联合学习

该研究论文提出了一种基于局部和全局特征的模型，通过设计局部编码器和双级图注意网络，有效地对面向方面的情感分类进行建模，并在 SemEval 2014 和 Twitter 数据集上取得了最先进的性能。

Nov, 2023

可扩展的多粒度融合网络用于基于方面的情感分析

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

知识图谱增强网络用于多视角表征学习之基于方面的情感分析

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

BertGCN：结合 GCN 和 BERT 的跨领域文本分类

本研究提出了 BertGCN 模型，它将大规模预训练和传导学习相结合，用于文本分类中。BertGCN 在数据集上构建异构图，并使用 BERT 表示将文档表示为节点。通过同时训练 BertGCN 中的 BERT 和 GCN 模块，该模型能够利用大规模预训练和传导学习的优势。实验表明，BertGCN 在广泛的文本分类数据集上达到了 SOTA 的性能。

May, 2021