该论文研究了如何在面对不可避免的解析错误时更好地利用句法信息，提出了一种名为 GraphMerge 的简单有效的图形集成技术，通过将不同解析器的预测组合起来后再应用 GNNs 在得出的集成图上，使 GNN 模型能够在零额外计算成本的同时抵抗解析错误，避免 GNN 层叠导致的参数过大和过拟合，提供更多的连通性，其在 SemEval 2014 任务 4 和 ACL 14 Twitter 数据集上的实验表明，相对于单一依赖树模型和其他集成模型，我们的 GraphMerge 模型，不仅表现更好，而且不会增加模型参数。

Mar, 2021

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

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目标相关性的图形注意网络（TD-GAT），以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别，并使用 BERT 表示进一步提高了性能。

Sep, 2019

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

提出了 Scope 的概念，用于描述与特定目标相关的结构文本区域。结合组成树和依赖树的信息，提出了一个杂交图卷积网络（HGCN）来共同学习结构 Scope 并预测情感极性，证明该模型优于当前最先进的基线模型。

Apr, 2022

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

分子性质预测的研究中，我们提出了 SYN-FUSION，这是一种结合了来自图神经网络和 Transformer 的预训练特征的新方法，它提供了综合的分子表示，捕捉了全局分子结构和各个原子特征，实验证明其在 MoleculeNet 基准数据集上的卓越性能，优于以前的模型，在 5 个分类数据集和 6 个回归数据集中有优势，并且与其他 Graph-Transformer 模型相比，我们的方法在性能方面与其不相上下，进一步的分析验证了 SYN-FUSION 的有效性，消融实验无疑表明 SYN-FUSION 的协同效应超过了其各个模型组成部分和其集成模型，在预测分子性质方面有实质性的改进。

Aug, 2023

本文提出了一种新的动态异构图结构来联合建模方面提取和情感检测，实验结果表明，我们的模型优于现有最先进的模型，特别在多观点方面和无观点方面的情况下，性能显著提高。

Apr, 2020

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