近日，计算机与软件工程学院唐明伟教授课题组2021级研究生王鹏程，以第一作者完成学术论文《A novel adaptive marker segmentation graph convolutional network for aspect-level sentiment analysis 》，该论文通讯作者唐明伟教授。该论文已被工程和计算机科学领域的国际顶级学术期刊Knowledge-Based Systems接受并在线发表。该期刊CiteScore为12，IF为8.139，中科院SCI分区为一区。

近年来，自然语言处理技术在各个领域都取得了迅猛发展，而深度神经网络技术作为其中的核心技术之一，在学术界和工业界都取得了巨大的成就。许多学者利用深度学习技术处理文本信息，使用深度神经网络和注意力机制进行文本情感分析。然而，由于语言表达的复杂性，一个词语或句子可能会表达出多种不同的情感倾向。因此，在利用深度神经网络技术分析较长篇幅文本的情感极性时会遇到极大挑战。为了解决这一问题，将长文本进行多粒度的分类，从多粒度的方面分析文本的情感成为当前情感分析领域的热门研究话题之一。在这一新兴研究领域中，基于深度学习的情感分析技术目前仍存在一些难点问题亟待解决。

方面级情感分析旨在识别在线评论中特定方面的情感极性。近期，注意力机制和图卷积网络广泛应用于建模方面和意见词之间的关联。然而，由于依赖树的局限性和在线评论的复杂性，这些方法在准确建模方面的对齐和利用多方面情感依赖面临挑战。针对上述问题，该文提出了一种新型自适应标记分割图卷积网络（AMS-GCN）用于方面级情感分析。首先，所提出的AMS-GCN模型通过合并来自两个数据集的标记信息，增强单词的信息容量，并使用自适应标记分割模块将不同的标记信息划分为单独的模块。然后，该模型采用双句法感知和语义辅助模块来获取句法和语义信息。双句法感知模块结合组件和依赖树来捕获全面的语法信息。相比之下，语义辅助模块使用注意力得分矩阵来捕获每个单词的语义关联信息。此外，方面相关图的设计是为了聚合有关不同方面的情绪等信息。在几个基准数据集上的实验表明，所提出的模型实现了最好的结果。该文具有重要的学术价值与应用前景。

据悉，截止目前，王鹏程共参与撰写了多篇学术论文，其中以第一作者发表2篇SCI检索TOP期刊论文。

AMS-GCN模型图