利用依存句法分析和GCN网络进行情感分析的模型

1.Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree（EMNLP2019）

模型将句子的依存树进行输入，然后经过Bi-LSTM进行编码，之后再经过GCN网络进一步增强，目标是提取嵌入，该嵌入对特定方面表达和意见词之间的上下文和依赖信息进行编码，为基于方面的分类任务提供监督信号。经过GCN层之后得到句子的编码，再将方面向量经过平均池化，得到方面词的表示。

2.Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks（EMNLP2019）

将上下文进行编码，经过Bi-LSTM得到隐藏向量表示H^c ,之后进行位置感知转换，用来增强与方面此相近的上下文词的重要性，qi就是位置权重，之后经过GCN层得到表示H^L

 将GCN层输出中的非方面词进行掩码，

将Bi-LSTM的输出的每一个词与GCN层得到的每一个方面词的表示进行求和，最后计算注意力，就得到了上下文表示对方面词的重要性，最后根据注意力权重对上下文进行加权求和，得到方面词最终的表示。