摘要
随着互联网的蓬勃发展和移动智能终端的快速普及，用户在社交媒体和电商平台上生成了大量观点和评论。这些观点和评论以文本为主，并逐渐以图文等多模态数据的形式呈现，其内容通常是对某一热点事件的多角度陈述或某种热销商品不同属性的评价，表明了用户鲜明的立场以及丰富的情感。方面级情感分类可挖掘出隐含在这些数据中的细粒度情感信息，精准识别用户对具体方面的情感倾向，对政府部门拟定相关政策法规、企业制定产品升级路线以及心理治疗师分析病情等应用领域具有重要的现实意义。 本文围绕方面级情感分类展开研究，主要研究内容及贡献如下： （1）针对现有文本方面级情感分类存在的语义信息提取不充分、注意力机制计算复杂度较高等问题，提出一种基于上下文和图注意力网络的文本方面级情感分类模型。该模型以目标方面为根节点，重构依存句法树以挖掘方面相关的依存句法关系，并使用图注意力网络和上下文注意力网络，充分提取句法结构信息和语义信息。同时，提出一种计算复杂度较低的基于句法相对距离的句法注意力机制，强调句法上与目标方面关联密切的词语。在三个公开数据集上的实验结果表明，所提模型是有效的，能较好地利用句子的语义信息和句法结构信息，提升情感分类的准确率，特别是上下文网络和句法注意力机制，能显著提升情感分类的性能。 （2）针对现有多模态方面级情感分类存在的模态信息利用率不高、深层特征提取不充分等问题，提出一种基于多重选择注意力机制的多模态方面级情感分类模型。多重选择注意力机制显式地考虑图像与目标方面的相关性，充分利用图像模态的共性特征和个性特征来增强目标方面的情感表达。在此基础上，提出一种简单有效的残差编解码器来充分挖掘深层情感特征，同时避免梯度消失和网络退化等问题。在两个公开数据集上的实验结果表明，所提模型是有效的，多重选择注意力机制能较好地利用图像信息补充文本语义，残差编解码器能充分提取深层情感信息，提升情感分类的准确率。
NETL