2021年2月25日，由研究团队博士生梁斌和硕士生殷熔磾牵头撰写的论文“Embedding Refinement Framework for Targeted Aspect-based Sentiment Analysis”获《IEEE Transactions on Affective Computing》期刊录用。
论文主要提出了一种结合常识知识和上下文信息动态优化目标-方面级情感分析（Targeted Aspect-based Sentiment Analysis）任务中的目标（Target）和方面（Aspect）向量表示的方法（Refining Affective Embedding from Context, RAEC）。
现有的目标-方面级情感分析方法通常使用目标/方面的原始向量表示（Embedding）或随机初始化向量作为目标/方面输入的向量表示，这样的目标/方面向量表示既脱离了上下文，也忽略了不同情感表达中向量表示的区别。针对上述问题，论文首先将常识情感知识（Affective Embedding）和距离信息（Position Encoding）引入上下文词语向量表示的优化中，使词语在保留原有上下文语义信息的同时，能具有情感信息和与目标词的相对位置信息。该向量表示称为上下文-情感向量（Context-affective Embedding）。随后，为了使上下文词语能根据不同上下文自动生成更合理的向量化表示，使用一个通过控制系数稀疏向量收敛速度的阶跃函数（Step Function）来针对不同目标和方面学习不同的上下文词语重要性，从而根据不同的上下文对目标和方面向量表示进行动态优化，得到更合理的目标和方面向量表示。
在两个公开数据集的实验结果表明，论文提出的RAEC方法可以直接和现有基于神经网络的目标-方面级别情感分析模型相结合，并取得更优性能。
《IEEE Transactions on Affective Computing》是人工智能领域的国际期刊，该期刊为SCI检索，IF 7.512，JCR Q1，中科院SCI工程技术大类2区。
论文信息：
Bin Liang, Rongdi Yin, Jiachen Du, Lin Gui, Yulan He, Min Yang and Ruifeng Xu*. Embedding Refinement Framework for Targeted Aspect-based Sentiment Analysis, to appear in IEEE Transactions on Affective Computing (TAC).
