融合情感词典的多视角语言特征方面情感三元组抽取模型

doi:10.11772/j.issn.1001-9081.2024121863

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (12): 3779-3785.DOI: 10.11772/j.issn.1001-9081.2024121863

融合情感词典的多视角语言特征方面情感三元组抽取模型

张正悦¹^,², 彭菊红¹^,², 丁子胥¹^,², 范馨予¹^,², 胡长玉¹^,²

^1.湖北大学人工智能学院，武汉 430062
^2.智能感知系统与安全教育部重点实验室（湖北大学），武汉 430062

收稿日期:2025-01-03 修回日期:2025-03-30 接受日期:2025-04-07 发布日期:2025-04-16 出版日期:2025-12-10
通讯作者: 彭菊红
作者简介:张正悦（2000—），男，安徽池州人，硕士研究生，CCF会员，主要研究方向：方面级情感分析、方面情感三元组抽取
彭菊红（1978—），女，辽宁盖州人，副教授，博士，主要研究方向：信号处理、电路建模与分析、人工智能方法
丁子胥（1998—），男，河南信阳人，硕士研究生，主要研究方向：小样本语义分割、深度学习
范馨予（1999—），女，河南商丘人，硕士研究生，主要研究方向：脑电信号情绪识别
胡长玉（2002—），女，安徽六安人，硕士研究生，主要研究方向：微表情情绪识别。
基金资助:
国家自然科学基金面上项目(62377009)

Aspect sentiment triplet extraction model with multi-view linguistic features and sentiment lexicon

Zhengyue ZHANG¹^,², Juhong PENG¹^,², Zixu DING¹^,², Xinyu FAN¹^,², Changyu HU¹^,²

^1.School of Artificial Intelligence，Hubei University，Wuhan Hubei 430062，China
^2.Key Laboratory of Intelligent Sensing System and Security，Ministry of Education （Hubei University），Wuhan Hubei 430062，China

Received:2025-01-03 Revised:2025-03-30 Accepted:2025-04-07 Online:2025-04-16 Published:2025-12-10
Contact: Juhong PENG
About author:ZHANG Zhengyue， born in 2000， M. S. candidate. His research interests include aspect-based sentiment analysis， aspect sentiment triplet extraction.
PENG Juhong， born in 1978， Ph. D.， associate professor. Her research interests include signal processing， circuit modeling and analysis， artificial intelligence methods.
DING Zixu， born in 1998， M. S. candidate. His research interests include few-shot semantic segmentation， deep learning.
FAN Xinyu， born in 1999， M. S. candidate. Her research interests include EGG signal emotion recognition.
HU Changyu， born in 2002， M. S. candidate. Her research interests include micro-expression emotion recognition.
Supported by:
General Program of National Natural Science Foundation of China(62377009)

摘要/Abstract

摘要：

在自然语言处理（NLP）任务中，方面情感三元组抽取（ASTE）旨在识别文本中方面词、观点词和情感极性之间的联系，是实现细粒度情感分析的关键步骤。在当前的主流方法中，端到端模型普遍存在对语言特征理解不足以及对情感表达稀疏性处理不佳的问题，进而限制了模型的准确性和鲁棒性，而管道式模型存在传播错误问题。针对上述问题，提出一种融合情感词典的多视角语言特征ASTE模型（MVLF-SL）。在MVLF-SL中，多视角语言特征能够帮助模型理解上下文和隐含语义，而情感词典能够提供额外的情感先验知识。首先，利用图卷积网络（GCN）对多视角语言特征进行特征表达，并得到增强的语言特征；其次，使用动态融合策略将增强的语言特征与情感词典相融合；再次，利用多层GCN结合邻接关系和节点特征增强方面词和观点词的特征表示；最后，利用双仿射注意力（BA）机制改进的边界驱动的表格填充（BDTF）方法对三元组进行解码和抽取。实验结果表明，在ASTE-DATA-V2数据集的4个子数据集14res、14lap、15res和16res上，相较于BDTF模型，MVLF-SL的F1分数分别提升了0.57、2.08、2.20、1.74个百分点。可见，所提模型能在ASTE上取得更好的表现，并充分利用了语言特征和外部情感知识。

关键词: 方面情感三元组抽取, 句法依赖关系, 词性信息, 句法依赖距离, 图卷积网络

Abstract:

In Natural Language Processing （NLP） tasks， Aspect Sentiment Triplet Extraction （ASTE） aims to identify the relationships among aspect terms， opinion terms， and sentiment polarity in text， serving as a crucial step in realizing fine-grained sentiment analysis. In current mainstream methods， end-to-end models generally suffer from insufficient understanding of linguistic features and poor handling of the sparsity in sentiment expressions， which limits models’ accuracy and robustness. At the same time， pipeline models are prone to error propagation. To address these issues， an ASTE model with Multi-View Linguistic Features and Sentiment Lexicon （MVLF-SL） was proposed. In this model， multi-view linguistic features were utilized to enhance the model’s ability to understand context and implicit semantics， while additional prior knowledge of sentiment was provided by a sentiment lexicon. Firstly， Graph Convolutional Network （GCN） was used to represent multi-view linguistic features and obtain enhanced linguistic features. Secondly， a dynamic fusion strategy was adopted to integrate the enhanced linguistic features with the sentiment lexicon. Thirdly， multi-layer GCN was employed to enhance the feature representations of aspect and opinion terms by incorporating adjacency relations and node features. Finally， a Boundary-Driven Table-Filling （BDTF） method， improved with a Biaffine Attention （BA） mechanism， was used for decoding and extracting the triplets. Experimental results on four subsets （14res， 14lap， 15res， and 16res） of the ASTE-DATA-V2 dataset show that compared with the BDTF model， MVLF-SL has the F1-scores improved by 0.57， 2.08， 2.20， and 1.74 percentage points， respectively. It can be seen that the proposed model achieves better performance in ASTE， and fully utilizes linguistic features and external sentiment knowledge.

Key words: Aspect Sentiment Triplet Extraction (ASTE), syntactic dependency relation, part-of-speech information, syntactic dependency distance, Graph Convolutional Network (GCN)

中图分类号:

TP391.1

张正悦, 彭菊红, 丁子胥, 范馨予, 胡长玉. 融合情感词典的多视角语言特征方面情感三元组抽取模型[J]. 计算机应用, 2025, 45(12): 3779-3785.

Zhengyue ZHANG, Juhong PENG, Zixu DING, Xinyu FAN, Changyu HU. Aspect sentiment triplet extraction model with multi-view linguistic features and sentiment lexicon[J]. Journal of Computer Applications, 2025, 45(12): 3779-3785.

图/表 6

图1 MVLF-SL的框架

Fig.1 Framework of MVLF-SL

图2 BDTF例子

Fig.2 Example of BDTF

表1 数据集统计信息

Tab. 1 Statistics of datasets

子数据集	划分	句子数	三元组数
14lap	训练集	906	1 460
	验证集	219	346
	测试集	328	543
14res	训练集	1 266	2 388
	验证集	310	577
	测试集	492	994
15res	训练集	605	1 013
	验证集	148	249
	测试集	322	485
16res	训练集	857	1 394
	验证集	210	339
	测试集	326	514

表2 实验结果 (%)

Tab.2 Experimental results

模型	14res			14lap			15res			16res
模型	$P$	$R$	$F 1$	$P$	$R$	$F 1$	$P$	$R$	$F 1$	$P$	$R$	$F 1$
Peng-two-stage	43.24	63.66	51.46	37.38	50.38	42.87	48.07	57.51	52.32	46.96	64.24	54.21
GTS-BERT	67.76	67.29	67.50	57.82	51.32	54.36	62.59	57.94	60.15	66.08	66.91	67.93
Span-ASTE	74.37	71.83	71.85	68.90	56.72	62.22	66.38	63.51	63.27	72.75	71.17	70.26
BMRC	72.51	72.23	72.62	68.13	57.09	62.12	65.90	65.90	65.63	69.98	76.68	73.16
EMC-GCN	71.21	72.39	71.78	61.70	56.26	58.81	61.54	62.47	61.93	65.52	71.30	68.33
SSED-ASTE	71.15	69.85	70.49	60.76	51.13	56.08	52.30	60.95	61.60	67.50	69.28	68.36
MBGCN	67.92	75.18	71.37	59.96	57.86	58.89	62.25	63.92	63.07	63.76	71.35	67.34
SA-Transformer	70.76	65.85	68.22	61.28	49.98	54.44	62.82	68.31	60.48	72.01	62.87	67.13
AE-GCN	71.37	73.02	71.70	60.08	58.41	59.23	62.63	61.86	62.24	67.44	73.29	70.34
CONTRASTE	73.60	74.40	74.00	64.20	61.70	62.90	65.30	66.70	66.10	72.20	76.30	74.20
SAAG	76.03	70.75	73.30	62.63	56.88	59.62	61.51	62.26	61.38	69.26	71.51	70.37
DRN	75.24	64.49	69.45	66.99	52.61	58.94	68.61	55.47	61.34	73.30	64.42	68.57
BDTF	75.53	73.24	74.35	65.78	55.97	61.74	68.76	63.71	66.12	71.44	73.13	72.27
MVLF-SL	77.58	72.43	74.92	72.92	56.74	63.82	72.08	64.94	68.32	72.96	75.09	74.01

表2 实验结果 (%)

Tab.2 Experimental results

模型	14res			14lap			15res			16res
模型	$P$	$R$	$F 1$	$P$	$R$	$F 1$	$P$	$R$	$F 1$	$P$	$R$	$F 1$
Peng-two-stage	43.24	63.66	51.46	37.38	50.38	42.87	48.07	57.51	52.32	46.96	64.24	54.21
GTS-BERT	67.76	67.29	67.50	57.82	51.32	54.36	62.59	57.94	60.15	66.08	66.91	67.93
Span-ASTE	74.37	71.83	71.85	68.90	56.72	62.22	66.38	63.51	63.27	72.75	71.17	70.26
BMRC	72.51	72.23	72.62	68.13	57.09	62.12	65.90	65.90	65.63	69.98	76.68	73.16
EMC-GCN	71.21	72.39	71.78	61.70	56.26	58.81	61.54	62.47	61.93	65.52	71.30	68.33
SSED-ASTE	71.15	69.85	70.49	60.76	51.13	56.08	52.30	60.95	61.60	67.50	69.28	68.36
MBGCN	67.92	75.18	71.37	59.96	57.86	58.89	62.25	63.92	63.07	63.76	71.35	67.34
SA-Transformer	70.76	65.85	68.22	61.28	49.98	54.44	62.82	68.31	60.48	72.01	62.87	67.13
AE-GCN	71.37	73.02	71.70	60.08	58.41	59.23	62.63	61.86	62.24	67.44	73.29	70.34
CONTRASTE	73.60	74.40	74.00	64.20	61.70	62.90	65.30	66.70	66.10	72.20	76.30	74.20
SAAG	76.03	70.75	73.30	62.63	56.88	59.62	61.51	62.26	61.38	69.26	71.51	70.37
DRN	75.24	64.49	69.45	66.99	52.61	58.94	68.61	55.47	61.34	73.30	64.42	68.57
BDTF	75.53	73.24	74.35	65.78	55.97	61.74	68.76	63.71	66.12	71.44	73.13	72.27
MVLF-SL	77.58	72.43	74.92	72.92	56.74	63.82	72.08	64.94	68.32	72.96	75.09	74.01

表3 消融实验结果 (%)

Tab.3 Ablation experimental results

模型	不同数据集上的F1分数
模型	14res	14lap	15res	16res
MVLF-SL	74.92	63.82	68.32	74.01
w/o SL	73.79	63.00	66.07	71.97
w/o MVLF	72.13	61.74	66.29	72.91
w/o MVLF&SL	73.65	61.56	65.84	72.35
w/o PLU	73.68	62.47	67.72	73.24
w/o BA	74.20	62.53	66.36	72.75

表4 GCN结构消融实验结果 ( %)

Tab.4 Ablation experimental results of GCN structure

模型	不同数据集上的F1分数
模型	14res	14lap	15res	16res
MVLF-SL（GCN）	74.92	63.82	68.32	74.01
MVLF-SL（GAT）	73.95	61.58	67.45	72.89

参考文献 27

[1]	PONTIKI M， GALANIS D， PAPAGEORGIOU H， et al. SemEval-2015 task 12： aspect based sentiment analysis［C］// Proceedings of the 9th International Workshop on Semantic Evaluation. Stroudsburg： ACL， 2015： 486-495.
[2]	WANG R， LIU C， ZHAO R， et al. Post-processing method with aspect term error correction for enhancing aspect term extraction［J］. Applied Intelligence， 2022， 52（14）： 15751-15763.
[3]	WU Z， ZHAO F， DAI X Y， et al. Latent opinions transfer network for target-oriented opinion words extraction［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 9298-9305.
[4]	WANG K， SHEN W， YANG Y， et al. Relational graph attention network for aspect-based sentiment analysis［C］// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2020： 3229-3238.
[5]	PENG H， XU L， BING L， et al. Knowing what， how and why： a near complete solution for aspect-based sentiment analysis［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 8600-8607.
[6]	CHEN S， WANG Y， LIU J， et al. Bidirectional machine reading comprehension for aspect sentiment triplet extraction［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2021： 12666-12674.
[7]	MAO Y， SHEN Y， YU C， et al. A joint training dual-MRC framework for aspect based sentiment analysis［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2021： 13543-13551.
[8]	WU Z， YING C， ZHAO F， et al. Grid tagging scheme for aspect-oriented fine-grained opinion extraction［C］// Findings of the Association for Computational Linguistics： EMNLP 2020. Stroudsburg： ACL， 2020： 2576-2585.
[9]	CHEN H， ZHAI Z， FENG F， et al. Enhanced multi-channel graph convolutional network for aspect sentiment triplet extraction［C］// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2022： 2974-2985.
[10]	SHI X， HU M， DENG J， et al. Integration of multi-branch GCNs enhancing aspect sentiment triplet extraction［J］. Applied Sciences， 2023， 13（7）： 4345-4350.
[11]	LI Y， HE Q， ZHANG D. Dual graph convolutional networks integrating affective knowledge and position information for aspect sentiment triplet extraction［J］. Frontiers in Neurorobotics， 2023， 17： No.1193011.
[12]	XU L， CHIA Y K， BING L. Learning span-level interactions for aspect sentiment triplet extraction［C］// Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 4755-4766 .
[13]	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[14]	ZHANG C， LI Q， SONG D. Aspect-based sentiment classification with aspect-specific graph convolutional networks［C］// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg： ACL， 2019： 4568-4578.
[15]	HUANG L， SUN X， LI S， et al. Syntax-aware graph attention network for aspect-level sentiment classification［C］// Proceedings of the 28th International Conference on Computational Linguistics. Stroudsburg： ACL， 2020： 799-810.
[16]	ZHOU T， SHEN Y， CHEN K， et al. Hierarchical dual graph convolutional network for aspect-based sentiment analysis［J］. Knowledge-Based Systems， 2023， 276： No.110740.
[17]	SUN K， ZHANG R， MENSAH S， et al. Aspect-level sentiment analysis via convolution over dependency tree［C］// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg： ACL， 2019： 5679-5688.
[18]	CAMBRIA E， LIU Q， DECHERCHI S， et al. SenticNet 7： a commonsense-based neurosymbolic AI framework for explainable sentiment analysis［C］// Proceedings of the 13th Language Resources and Evaluation Conference. Stroudsburg： ACL， 2022： 3829-3839.
[19]	ZHANG Y， YANG Y， LI Y， et al. Boundary-driven table-filling for aspect sentiment triplet extraction［C］// Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2022： 6485-6498.
[20]	PENG H， XU L， BING L，et al. Knowing what， how and why： a near complete solution for aspect-based sentiment analysis ［C］//Proceedings of the 34th AAAI Conference on Artificial Intelligence. Menlo Park： AAAI， 2020：8600-8607.
[21]	XU L， LI H， LU W， et al. Position-aware tagging for aspect sentiment triplet extraction［C］// Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2020： 2339-2349.
[22]	李言博，何庆，陆顺意. 融合语义和句法信息的方面情感三元组抽取［J］. 计算机应用， 2024， 44（10）： 3275-3280.
	LI Y B， HE Q， LU S Y. Aspect sentiment triplet extraction integrating semantic and syntactic information［J］. Journal of Computer Applications， 2024， 44（10）： 3275-3280.
[23]	YUAN L， WANG J， YU L C， et al. Encoding syntactic information into Transformers for aspect-based sentiment triplet extraction［J］. IEEE Transactions on Affective Computing， 2024， 15（2）： 722-735.
[24]	高龙涛，李娜娜. 基于方面感知注意力增强的方面情感三元组抽取［J］. 计算机应用， 2024， 44（4）： 1049-1057.
	GAO L T， LI N N. Aspect sentiment triplet extraction based on aspect-aware attention enhancement［J］. Journal of Computer Applications， 2024， 44（4）： 1049-1057.
[25]	MUKHERJEE R， KANNEN N， PANDEY S K， et al. CONTRASTE： supervised contrastive pre-training with aspect-based prompts for aspect sentiment triplet extraction［C］// Findings of the Association for Computational Linguistics： EMNLP 2023. Stroudsburg： ACL， 2023： 12065-12080.
[26]	SUN X， QI J， ZHU Z， et al. SenticNet and abstract meaning representation driven attention-gate semantic framework for aspect sentiment triplet extraction［J］. Engineering Applications of Artificial Intelligence， 2025， 139（Pt B）： No.109625.
[27]	XIA T， SUN X， YANG Y， et al. A dual relation-encoder network for aspect sentiment triplet extraction［J］. Neurocomputing， 2024， 597： No.128064.

融合情感词典的多视角语言特征方面情感三元组抽取模型

Aspect sentiment triplet extraction model with multi-view linguistic features and sentiment lexicon

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 27

相关文章 15

编辑推荐

Metrics

[1]	石超, 周昱昕, 扶倩, 唐万宇, 何凌, 李元媛. 基于骨架和3D热图的注意缺陷多动障碍患者动作识别算法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3036-3044.
[2]	颜文婧, 王瑞东, 左敏, 张青川. 基于风味嵌入异构图层次学习的食谱推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1869-1878.
[3]	李自亮, 朱广丽, 张玉雷, 刘佳佳, 焦熠璇, 张顺香. 集成句法与情感知识的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1724-1731.
[4]	王泉, 陆啟想, 施珮. 用于交通流量预测的多图扩散注意力网络[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1472-1479.
[5]	陈满, 杨小军, 杨慧敏. 基于图卷积网络和终点诱导的行人轨迹预测[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1480-1487.
[6]	党伟超, 宋楚君, 高改梅, 刘春霞. 基于级联残差图卷积网络的多行为推荐[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1223-1231.
[7]	富坤, 应世聪, 郑婷婷, 屈佳捷, 崔静远, 李建伟. 面向小样本节点分类的图数据增强方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 392-402.
[8]	张瑜琦, 沙灜. 基于层次信息增强的中文语义错误识别模型[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 3771-3778.
[9]	徐梦楠, 叶海良, 曹飞龙. 面向鲁棒点云配准的邻域关注和拓扑感知的图卷积方法[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3573-3582.
[10]	赵敬华, 张柱, 吕锡婷, 林慧丹. 基于超图神经网络的多尺度信息传播预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3529-3539.
[11]	况世雄, 姚俊波, 陆佳炜, 王琪冰, 肖刚. 基于动态图卷积网络的电梯乘客异常行为数据增强方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3187-3194.
[12]	庞川林, 唐睿, 张睿智, 刘川, 刘佳, 岳士博. D2D通信系统中基于图卷积网络的分布式功率控制算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2855-2862.
[13]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[14]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[15]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.