01實驗超參數設置
模型中的基本超參數沿用文獻的模型，強度注意力模塊和強度句法樹融合模塊的超參數取自超參數實驗的最優結果，具體設置如表5所示。
02評估標準
為了驗證本文所提模型的提升效果，采用文本挖掘領域常見的精確率、召回率和F1值來評估模型性能。為減小實現過程中的隨機性，對于每組實驗，選取3次實驗平均值作為最終實驗結果。
實驗結果對比
本文主要進行了3組實驗，其中第1組以文獻提出的模型作為基線，旨在驗證FGSAM-0I模型在感官詞提取方面的效果。第2組是針對強度注意力模塊與強度句法樹融合模塊進行的消融實驗，以驗證FGSAM-0I模型對強度詞和感官詞整體提取效果。此外，還基于不同的注意力頭數和注意力權重以及不同的GCN層數進行了超參數實驗，以探究在針對食品感官分析領域強度注意力機制和強度句法樹能夠發揮出更好性能的參數設置。
01對比實驗
表6的實驗結果是3次隨機實驗的平均值，結果證明了FGSAM-OI的總體有效性。其性能優于未考慮句法信息的基線模型Mensah和IAN模，同時對比性能較好的模型PWCN-DEP在召回率和F1值上也取得了一定的提高。這表明FGSAM-OI能夠盡可能捕捉到所有與特定方面相關的感官詞，以確保分析的全面性和綜合性。同時可以看出基于依賴權重和依存矩陣等句法信息的模型往往能夠更充分地捕獲感官詞，從而能在感官分析任務中表現出更好的效果。不過，PWCN-DEP在精確率方面表現出了更好的效果，這可能是因為FGSAM-OI通過引入注意力機制以關注句子中的強度信息，但由于注意力分配比較集中，從而忽略了部分感官詞等其它句子成分，進而略微影響了模型的精確率。
02消融實驗
從表7的實驗結果可以看出，強度注意力模塊和強度句法樹模塊分別使模型的精確率提升了3.73、5.1個百分點，均對模型的預測效果產生了積極影響，驗證了這兩個模塊的有效性。同時可以觀察到，強度句法樹對于模型性能的提升更為明顯，這表明在進行感官詞及其強度標注過程中，增強的依存關系表示往往能夠提供更豐富的語義分析。
03超參數分析
在FGSAM-OI中，強度詞的注意力權重與注意力頭數表征了多頭注意力的處理程度，GCNs的層數則表征了對于強度句法樹的學習粒度。為此，針對這3個超參數進行了實驗分析，以探究最佳的超參數組合。
圖4展示了注意力模塊相關參數的實驗結果，由于多頭注意力機制中需要確保特征維度可以被注意力頭數整除，且注意力頭數一般不宜過大，所以選取了1~25的所有可能的注意力頭數進行了實驗。可以看到對于所有的注意力權重值，精確率和F1值表現出相似的變化趨勢。具體來說精確率在注意力頭數為5時表現出最好的效果，F1值則在注意力頭數為4時效果最好。因此在后續進行模型調優時可以優先考慮將注意力頭數設置為4或5。而通過圖5的依賴樹相關超參數實驗，GCNs的層數設置為3時精確率和F1值均取得峰值，這也符合現有的大多數GCNs應用實踐說明層數過少可能會導致表示能力不足、信息傳播受限，過高的層數則會導致梯度消失和梯度爆炸以及計算復雜度的增加，只有適中的GCNs層數才能更好地利用強度句法樹，從而更好地融合輸入文本中的句法結構信息。
04案例分析
為更直觀地展示FGSAM-OI模型的作用原理及應用方法、參考文獻的方法，結合食品感官分析任務，分別基于單條品評文本和整體數據集進行案例分析。
首先，以一款飲料的品評文本“這款飲料味道有點苦，但是口感非常清新。"為例，結合模型的數據處理過程進行案例說明。經過分詞和原始依存句法樹分析后，該品評文本對應的原始依存矩陣如圖6a所示。通過觀察句子結構不難看出，“有點”和“苦”以及“非常”和“清新”之間的關系對于提取感官強度非常重要。因此所有感官強度詞參與的依存邊都會獲得更高的權重，從而更好地提取強度信息。模型中為了更好地在GCNs中傳播信息，每個節點還添加了自循環，從而得到了最終的強度依存矩陣(圖6b)。針對測試數據集中的品評文本，提取出感官詞及感官強度后對結果進行統計與匯總，可得到飲料最終的感官分析輪狀圖，如圖7所示。
結論
本文提出了一種細粒度的方面級感官評價分析模型FGSAM-OI?；谧⒁饬C制和句法樹的感官強度捕獲，該模型能夠較為有效分析食品品評評論中的感官詞及相應的感官強度，以更準確描述消費者對食品的感官體驗。實驗結果表明，模型相較于其他的意見提取模型能夠在食品品評數據集上表現出更好效果。
