杨春霞，宋金剑，姚思诚

(1.南京信息工程大学自动化学院，江苏 南京210044；2.江苏省大数据分析技术重点实验室，江苏 南京 210044；3.江苏省大气环境与装备技术协同创新中心，江苏 南京 210044)

1 引言

情感分析，又叫意见挖掘[1]，是自然语言处理NLP(Natural Language Processing)中的一项重要任务。随着数字技术的快速发展，微博、淘宝和京东等平台上的评论呈爆发式增长，情感分析也得到了越来越多的关注。

方面级情感分析属于细粒度情感分析，旨在预测文本中特定实体或方面的情感极性，其关键在于提取文本表示。目前，同时融合语义信息和句法信息的文本表示在方面级情感分析中取得的分类效果比只融合一种信息的文本表示好[2,3]，但这种文本表示仍然只包含了浅层文本信息而忽略了深层信息。因此，如何挖掘深层次文本特征，改进文本表示是值得研究的一个热点问题。

图卷积网络GCN(Graph Convolutional Network)[4]善于捕捉图中的结构信息，因此被广泛应用于NLP[5,6]。但现有研究表明：两层GCN捕捉邻域信息的性能最佳[7]，即再多层的GCN也无法捕获更多的结构信息。因此，如何让GCN提取更多的结构信息是现阶段面临的一个问题。

针对以上问题，本文提出了一种基于DBiLSTM(Deep Bi-drectional Long Short-Term Memory)和紧密连接的图卷积网络DDGCN(Deep BiLSTM and Dense Connections-based Graph Convolutional Network)模型。该模型的主要贡献如下：

(1)结合深度双向长短时记忆DBiLSTM和GCN来获取不同类型的文本信息，进而生成最具代表性的文本表示。输入的词向量、位置向量和词性向量在DBiLSTM的每一层进行训练，实现文本中方面词和上下文间语义信息的挖掘；……