细粒度舆情分析是情感计算、社会计算等领域中的一项重要任务,其目的是对给定推文,预测特定目标下的情感极性。当前方法,在大量标注样本场景下可以取得有效的识别性能。然而,标注足够的数据是劳动密集型的,时间、费用成本高,这对舆情分析模型推广到新领域带来了巨大的障碍。当前方法主要存在两个主要挑战:1)缺少领域不变的知识,作为领域迁移的桥梁:社交文本内容短、非正式,具有稀疏性,对领域不变信息挖掘带来了巨大的挑战;2)情感词误关注问题:缺少情感词与目标之间的深度理解,会带来误关注问题影响识别性能。
近日,我校大数据与互联网学院傅向华、张博闻课题组,提出利用域不变原语义特征的跨域细粒度情感识别方法TSPKT。该方法从外部语义词典构建一个语法图,并从中提取语义原语特征作为领域不变信息。进一步,提出AoaGraphormer网络解决误关注问题。相关实验证明,TSPKT 相对于当前最先进的对比方法取得了显著性能提升。
该研究成果近日以“Cross-Domain Aspect-based Sentiment Classification by Exploiting Domain-Invariant Semantic-primary Feature”为题在人工智能、情感计算领域顶级期刊《IEEE Transactions on Affective Computing》(Q1,IF:13.99)上发表。张博闻助理教授为第一作者,傅向华教授为共同通讯作者。
![](/__local/F/2A/16/AE3EFE88C9A655D953C5E13202C_83EDAA0F_22D74.png)
图1 TSPKT网络架构
全文链接:https://ieeexplore.ieee.org/document/10025370