Análisis de sentimiento de grafos de atención dual multirrelacional para análisis de sentimiento de grano fino

Área de la Ciencia:

• Procesamiento del Lenguaje Natural
• Inteligencia Artificial
• Lingüística Computacional

Sus antecedentes:

• El análisis de sentimiento basado en aspectos (ABSA) requiere modelar complejas dependencias lingüísticas.
• Los métodos de grafo existentes tienen dificultades con datos multirrelacionales e interpretabilidad.
• La falta de mecanismos de atención eficaces dificulta la identificación precisa de la polaridad de los sentimientos.

Objetivo del estudio:

• Proponer un marco novedoso, el Transformador de Grafos de Atención Dual Multirrelacional (MRDAGT), para ABSA mejorado.
• Integrar eficazmente relaciones sintácticas, semánticas y de nivel de discurso dentro de una arquitectura de grafo unificada.
• Mejorar la interpretabilidad y el rendimiento de los modelos de análisis de sentimiento.

Principales métodos:

• Desarrolló una arquitectura de grafo novedosa que unifica múltiples tipos de relaciones.
• Implementó un mecanismo de atención dual para interacciones equilibradas locales y centradas en aspectos.
• Incorporó regularización de atención (penalizaciones basadas en entropía, esparsidad L1) para la interpretabilidad.

Principales resultados:

• MRDAGT establece nuevos puntos de referencia de última generación en múltiples conjuntos de datos de ABSA.
• Logró mejoras sustanciales de rendimiento en la identificación de la polaridad de los sentimientos.
• Demostró procesos de predicción transparentes y lingüísticamente fundamentados.

Conclusiones:

• El marco MRDAGT propuesto avanza significativamente el ABSA.
• Las técnicas de atención dual y regularización mejoran tanto el rendimiento como la interpretabilidad.
• MRDAGT ofrece una solución robusta para aplicaciones de análisis de sentimiento del mundo real.