TFMPHGNN:一种用于情感分析的双重多视角异构图神经网络

《Neural Networks》:TFMPHGNN: Two-Fold Multi-Perspective Heterogeneous Graph Neural Network for Sentiment Analysis

【字体: 大 中 小 】 时间:2026年03月24日 来源:Neural Networks 6.3

编辑推荐:

  提出双阶段多视角异构图神经网络TFMPHGNN,通过元路径编码结合胶囊网络捕获多层级语义关系,利用VAE降噪和三通道GCN融合拓扑、语义、协同特征,有效建模情感-情绪-语境交互,在VaKSent-2025数据集上显著优于基线模型。

  
Victor Kwaku Agbesi|Wenyu Chen|Chukwuebuka J. Ejiyi|Gertrude Selase Gosu|Chiagoziem C. Ukwuoma|Olusola Bamisile
中国电子科技大学计算机科学与工程学院,中国四川省成都市西园大道2006号,西部高新区

摘要

由于情感表达、上下文线索以及分布在异构数据源中的情感特征之间的复杂且相互关联的关系,情感分析仍然具有挑战性。传统的深度学习和基于变压器的模型通常将情感视为孤立的单元,无法捕捉这些丰富且多视角的交互作用。为了解决这些限制,本研究引入了一种双层多视角异构图神经网络(TFMPHGNN),它在双阶段异构图框架内联合建模情感、情感和上下文依赖性。第一阶段采用基于元路径的编码器与胶囊网络相结合,以捕捉情感-情感-上下文节点之间的层次语义关系;第二阶段利用多通道图卷积网络(MC-GCN)来学习情感-情感对的互补拓扑、语义和协作表示。变分自编码器(VAE)进一步对潜在嵌入进行去噪和优化。在新开发的VaKSent-2025语料库上的实验表明,TFMPHGNN在准确性上比八种最先进的基于图的基线模型提高了4.67%,在F1-micro上提高了2.7%,在F1-weighted上提高了4.2%,统计显著性测试证实了这些改进的可靠性。扩展的消融分析进一步表明,协作融合通道的准确率达到0.9387,分别比仅拓扑通道和仅语义通道提高了7.5%和7.9%,强调了整合多个图视角的协同价值。总体而言,这些结果表明TFMPHGNN能够有效捕捉复杂的情感-情感依赖性,并提供了一个强大且可解释的框架,用于细粒度的情感理解。

引言

情感分析在理解公众舆论和消费者行为方面发挥着重要作用;然而,传统方法存在显著的限制。早期基于情感的方法通常依赖于劳动密集型、基于规则的技术,这些技术耗时且容易过拟合(Zhang等人,2023年)。传统的机器学习算法,包括结合支持向量机和情感相似性度量的基于词典的方法,已被用于监督情感分类。尽管这些方法通常直观且计算效率高,但它们经常难以捕捉人类情感的微妙之处和上下文依赖性。深度学习(DL)的快速发展带来了情感分析的显著进步,使得模型能够自动从与情感相关的数据中提取高质量的特征(Agbesi等人,2025年;Cheng等人,2025年)。许多现代计算方法利用大规模数据集,整合了文本、视觉和音频信息。这些方法采用异构网络架构来建模情感、上下文线索和表达模式之间的复杂关系。深度学习的最新进展在情感分析中表现出色,提供了更强的挖掘、处理和推断文本、视觉和多模态数据中复杂模式的能力(Ahmed等人,2024年)。
最近开发的基于图的方法构建了异构情感网络,从多样化的数据源中提取多视角特征,基于类似情感表达具有共同语义特征的前提。基于自编码器的方法,包括编码器-解码器架构,也被用来学习情感数据的压缩表示,同时保留了必要的语义信息并降低了维度。尽管取得了这些进展,但仍存在几个关键挑战。尽管深度学习方法在序列数据和多模态数据上表现出色,但它们通常难以处理复杂的图结构信息。特别是,有效地对大规模、异构的情感数据进行鲁棒表示学习仍然具有挑战性,尤其是在上下文信息稀疏的情况下(Agbesi、Chen、Hossin、Ukwuoma,2025年;Agbesi、Chen、Yussif、Ukwuoma、Gu、Al-Antari,2024年)。基于图的情感分析基于类似情感表达与相似的上下文和情感属性相关联的假设。然而,许多现有研究主要关注二分网络(例如,情感-上下文网络),从而忽略了更复杂的异构图结构中的高阶交互和更丰富的嵌入。虽然这些方法利用了情感嵌入之间的潜在相关性,但它们通常难以捕捉塑造情感表示的微妙、潜在特征。此外,尽管深度神经和基于图的情感分析模型取得了进展,但大多数现有框架仅关注句法或语义依赖性,未能捕捉跨领域的情感-情感-上下文交互。当前模型缺乏明确构建跨类型关系模式(例如,情感 → 上下文 → 情感)的异构元路径推理机制,这些模式在均匀的句子级图中并未表示(Li等人,2021年;Zhang等人,2022年)。此外,许多方法依赖于简单的连接或门控进行特征融合,而不是通过更先进的结构化集成机制来保留部分-整体关系。与双通道融合策略或知识图增强方法相比,仍需要能够明确捕捉异构情感-情感依赖性同时保持计算效率的模型。为了解决这些限制,本研究引入了一种双层多视角网络模型,该模型将与情感相关的多视角网络和与上下文相关的多视角网络与情感配对网络相结合,这一设计受到最近在交互建模和子结构学习方面的进展的启发。所提出的双层多视角异构图神经网络(TFMPHGNN)结合了三个关键的概念创新:(1)异构元路径推理,用于明确构建跨类型关系模式(例如,情感 → 上下文 → 情感);(2)基于胶囊的层次融合,通过动态路由而不是简单的连接或门控来保留部分-整体特征关系;(3)VAE驱动的去噪特征学习,结合多视角情感-情感对(SEP)图,通过三通道(拓扑、语义和协作)GCN管道共同建模语义相似性和结构依赖性。与情感相关的网络本质上是复杂的结构,包含表示情感、上下文、表达和情感的节点,边编码语义、句法或关联关系。在这些网络中,通过组合情感和情感节点形成情感对,以有效建模情感成分之间的潜在交互和关联。多视角图从互补的视角构建——拓扑(结构)、语义(基于意义)和协作(集成)——以实现跨异构网络的全面特征学习。通过利用多样的关系信息,所提出的框架增强了表示的丰富性,并提高了情感分析模型的整体表达能力。
TFMPHGNN将异构网络学习用于情感和上下文相关特征,并结合多视角情感对相似性网络学习。该框架采用图自编码器与胶囊网络(CapsNet)的动态路由能力相结合,以提取嵌入在情感表达和上下文元素的元路径中的丰富特征表示。同时,通过变分自编码器(VAE)生成的高质量情感和上下文特征被纳入最终节点表示中,以增强鲁棒性并减少噪声。该模型进一步基于情感对构建语义图和协作图,该图与拓扑图共享权重,使得通过图卷积网络(GCN)学习情感对嵌入成为可能。除了传统的感情数据集外,该框架还支持整合来自多种关联来源的情感嵌入,包括用户交互、上下文信号和多模态输入。重要的是,该架构旨在在训练和推理阶段灵活适应以前未见的情感表达或上下文信息。此外,通过整合Sentiment140、IMDb评论、SemEval-2018和NRC Word-Emotion词典的数据,开发了一个新的情感语料库VaKSent-2025。该语料库旨在建立一个全面的异构网络,利用不同情感表达、上下文组件和主观词典之间的语义关系,从而加强表示学习并提高模型的整体泛化能力。本研究的主要贡献如下:
  • 1.
    本研究介绍了TFMPHGNN,这是一种新颖的双层多视角异构GNN,它整合了情感、上下文和情感对相似性网络,以增强情感分析。与基于变压器的模型不同,我们的框架使用基于元路径的图编码器,并结合了胶囊网络和VAE,以捕捉异构情感网络中的复杂多源关系。
  • 2.
    设计了一个多通道GCN来分析多视角图——包括拓扑、语义和协作特征——从而学习情感对的深度表示。
  • 3.
    本研究还开发了一个新的情感语料库VaKSent-2025,该语料库来自包括Sentiment140、IMDb评论、Sem-Eval-2018和NRC Word-Emotion在内的多种情感库,以支持构建一个强大的异构情感网络。
  • 4.
    所提出的TFMPHGNN在准确性上比基准基于图的模型提高了4.67%,在F1-micro上提高了2.7%,在F1-weighted上提高了4.2%,表明在各个类别上的性能稳健且平衡。扩展的消融分析进一步证实了这些改进代表了实质性的性能提升,表明协作融合通道始终优于仅拓扑和仅语义的变体,从而证实了整合多个图视角的协同效益。
  • 本文的其余部分组织如下:第2节详细回顾了应用于情感分析的深度神经网络和基于图的方法的相关工作。第3节详细描述了TFMPHGNN。第4节讨论了实验设置和取得的成果。第5节总结了研究。

    相关工作

    相关工作

    本节对与所提出的TFMPHGNN相关的情感分析相关工作进行了广泛的回顾。特别是,第2.1节回顾了CapsNets,第2.2节回顾了VAE,第2.3节回顾了基于变压器的情感分析。此外,第2.4节回顾了基于图的情感分析模型,包括第2.4.1节中的对比学习和第2.4.2节中的混合GCN模型。

    TFMPHGNN

    所提出的TFMPHGNN框架结合了基于元路径的图编码器和胶囊神经网络,以建模由情感、表达、上下文和情感组成的异构网络中的复杂关系。元路径编码器捕获特定类型的关系语义,而胶囊网络通过动态路由保留层次和组合结构。随后,TFMPHGNN使用VAE提取低维情感表示。

    实验、结果和讨论

    第4.1节介绍了VaKSent-2025数据集,第4.2节详细描述了实验设置,第4.4节至4.6节讨论了取得的成果及其解释。

    结论

    本研究介绍了TFMPHGNN,这是一个统一的异构图框架,旨在将情感分析提升到传统单视图模型之上。TFMPHGNN结合了元路径引导的编码器,并增强了CapsNet和VAE;所提出的架构有效地捕获了情感表达、上下文信号和情感线索之间的复杂交互。

    数据可用性声明

    您的研究相关的数据是否已存入公共可用的存储库?没有,使用的数据集包含在文章中、补充材料中或在手稿中引用。

    CRediT作者贡献声明

    Victor Kwaku Agbesi:撰写——审阅与编辑、撰写——原始草稿、可视化、方法论、形式分析、数据管理、概念化。Wenyu Chen:监督、资源、项目管理。Chukwuebuka J. Ejiyi:撰写——审阅与编辑、验证、软件、调查。Gertrude Selase Gosu:可视化、软件、数据管理。Chiagoziem C. Ukwuoma:撰写——审阅与编辑、可视化、资源、形式分析。Olusola Bamisile:撰写——审阅与

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

    致谢

    这项工作部分得到了中国国家重点研发计划(授权号:2018AAA0100202)和中国国家自然科学基金(授权号:61976043)的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号