我中心1篇论文被COLING2025录用

        近日，我中心吴清强老师课题组的最新研究成果 "AGCL: Aspect Graph Construction and Learning for Aspect-level Sentiment Classification"被自然语言处理学术会议COLING2025录用。COLING 全称为全称 International Conference on Computational Linguistics，在CCF学术推荐列表中认定为B类会议。

论文题目：AGCL: Aspect Graph Construction and Learning for Aspect-level Sentiment Classification

录用类别：COLING2025, Long Paper

作者：简忠权⁺, 吴岱航⁺, 王少攀, Yancheng Wang, 姚俊峰, 王美红^*, 吴清强^*

完成单位：厦门大学, 玛希隆大学, 厦门大学马来西亚分校

使用领域数据对预训练模型(PLM)进行微调是解决下游任务的一种基本范式，通过对齐领域知识与模型预训练后存储在参数中的知识，以解决具体的应用任务。在情感分析领域，普遍存在的是数据质与量的限制，现有的方法通常是通过精细的模型模块设计，使得模型能够有效的学习到数据中隐含的情感线索。但实验表明，简单地微调PLM已经能够较为卓越的精度，精细的模块设计可能并不需要。根据上述观察，本文提出了一种基于数据增强的学习框架，通过构建属性图并引入领域属性知识，结合基础PLM进行简化微调，从而实现了领域内的最先进性能。首先，我们提出一种基于语义相似度的图构建方法，图中每个节点表示一个属性(Aspect Term)，构成了能够代表领域知识的属性图。在训练过程中，每个属性的Embedding将得到不断地优化，从而为PLM微调带来准确的领域知识。本文提出的方法显著优于现有的情感分析方法，为情感分析提供了一种新的解决方案。