本文提出了一种基于树形结构的注意力神经网络模型，用于情感分类问题。该模型使用自下向上和自上而下的信息传播结合语法树中节点周围的结构信息。模型在构建句法树时，利用结构注意力识别最显著的表示。实验结果表明，该模型在斯坦福情感树库数据集上实现了最先进的性能表现。

Jan, 2017

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句法依存知识的交互式多任务学习模型，结合依存关系嵌入图卷积网络和简单有效的消息传递机制，以实现对情感分析的方面术语的提取和情感识别任务，并采用BERT作为附加特征提取器，实现了对现有最新技术方法更显著的效果提升。

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

本文提出利用丰富的语法知识来增强成对方面和意见术语提取（PAOTE）任务，并在四个基准数据集上进行了实验，证明我们的模型优于当前的最先进基准线，并同时产生带有语法知识的可解释预测。

May, 2021

本文探讨了在目标导向情感分析中提取意见词的新子任务TOWE，并使用基于预训练字向量或语言模型的各种文本编码器来研究每个组件的实际贡献，同时使用图卷积网络来增强单词表示。实验结果表明，BiLSTM-based 模型可以有效地将位置信息编码到单词表示中，而仅使用 GCN 只能获得微小的增益。令人感兴趣的是，我们的简单方法胜过了几种复杂的最先进的神经结构。

Sep, 2021

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

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

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

提出了一种创新方法MambaForGCN，该方法通过将语法基础的图卷积网络（SynGCN）和MambaFormer模块以及Kolmogorov-Arnold网络（KANs）融合，来增强Aspect-based sentiment Analysis（ABSA）中方面和意见词之间的短程和长程依赖关系。实验结果表明，MambaForGCN在三个基准数据集上的表现优于最先进的基线模型。

Jul, 2024