Mejorando la Detección de Posturas Inter-target con Conocimiento Semántico-Emocional Transferible

La detección de posturas es una tarea importante, que tiene como objetivo clasificar la actitud de un texto opinativo hacia un objetivo dado. Se han logrado éxitos notables cuando hay suficientes datos de entrenamiento etiquetados disponibles. Sin embargo, anotar suficientes datos es laborioso, lo que establece barreras significativas para generalizar el clasificador de posturas a datos con nuevos objetivos. En este trabajo, proponemos un modelo de Transferencia de Conocimiento Semántico-Emocional (SEKT) para la detección de posturas inter-target, que utiliza el conocimiento externo (léxicos semánticos y emocionales) como un puente para permitir la transferencia de conocimiento entre diferentes objetivos. Específicamente, se construye un gráfico heterogéneo semántico-emocional a partir de léxicos semánticos y emocionales externos, que luego se alimenta en una red de convolución gráfica para aprender conexiones semánticas de múltiples saltos entre palabras y etiquetas emocionales. Luego, la representación gráfica semántico-emocional aprendida, que sirve como conocimiento previo que cierra la brecha entre los dominios de origen y destino, se integra completamente en el clasificador de posturas de memoria bidireccional a corto y largo plazo (BiLSTM) al agregar una nueva unidad de memoria consciente del conocimiento a la celda BiLSTM. Experimentos extensivos en un gran conjunto de datos del mundo real demuestran la superioridad de SEKT frente a los métodos de referencia de última generación.