摘要：针对目前外部知识难以在特定领域内进行迭代更新，以及忽视了评论文本中不同句法依赖距离的问题，提出了一种基于高阶依赖和知识更新的方面级情感分析模型。首先，通过引入两个全局共享可更新的动态知识节点，聚合评论语句中意见词所蕴含的情感特征，并利用单词节点间的路径跨度信息增强融合知识的句法邻接矩阵，多层次捕捉上下文与方面词间的细粒度依赖关系，动态优化远距离词汇节点的情感权重。其次，构建多元语义与多维距离模块联合学习文本的局部与全局特征，实现对方面词情感相关语义信息的深度挖掘。最终，自适应地融合上述句子表示从而完成对评论文本的情感预测。在5个公开数据集Twitter、Lap14、Rest14、Rest15和Rest16上进行实验与分析，所提方法的准确率和宏F1值均显著优于基线方法，通过多组消融和对比实验进一步验证了高阶句法依赖模块在捕获文本情感信息方面的有效性，同时也表明动态知识更新方法能够更准确地捕获句子中的细粒度情感特征。
文章目录
1 引 言
2 HKU-GCN模型
2.1 上下文编码
2.2 动态知识增强的图卷积网络
2.2.1 情感知识的共享存储与更新
2.2.2 高阶依赖矩阵的构建
2.2.3 节点嵌入的信息聚合
2.3 关联特征加权的图卷积网络
2.3.1 多元语义特征
2.3.2 多维距离特征
2.4 特征融合和输出
3 实 验
3.1 数据集
3.2 超参数设置
3.3 评价指标
3.4 基线模型
3.5 实验结果与分析
3.5.1 对比实验
3.5.2 消融实验
3.5.3 高阶句法的阶数设定
3.5.4 高阶句法的
