Sentic GCN (2022 Knowledge-Based Systems)

论文题目（Title）：Aspect-based sentiment analysis via affective knowledge enhanced
graph convolutional networks

研究问题（Question）：考虑上下文常识性信息的方面级情感分析

研究动机（Motivation）：现有的研究大多数缺少语境词与方面词之间情感依赖关系

主要贡献（Contribution）：

1. 充分利用句子的句法依赖性和特定方面的情感信息

2. 提出了一种基于依赖树和情感常识知识的图卷积网络构造图的新解决方案，以捕获对应于特定方面的情感依赖

研究思路（Idea）：在每个句子的依赖树和情感常识知识之上构建图表。具体来说，首先基于依赖树为每个句子构造一个普通的依赖图，以捕获句子的句法信息。其次，利用语境词与方面词之间的情感依赖关系，将外部情感常识知识融入到图的生成中;根据句子的句法依赖关系和情感信息对特定方面的依赖关系，可以将每个句子建模为面向特定方面的情感增强依赖关系图。然后将情感增强依赖图作为输入输入到基于gcn的模型中，以捕获情感增强依赖图的表示形式句子。

研究方法（Method）：

 模型组成：

• 使用LSTM学习上下文表示
• 利用GCN将句子的上下文表示和相应的情感增强图作为输入，捕获上下文词的潜在情感依赖（将情感词编码到依赖树中）
• 将两个输出进行组合

研究过程（Process）：

        1.数据集（Dataset）

         2.评估指标（Evaluation）：准确度和F1

        3.实验结果（Result）

总结（Conclusion）：模型简单，代码简单，但是将邻接矩阵与情感分数直接相加，有待考虑。