一、知识铺垫
1.1 GNN的应用模式
（1）构建/利用图结构
核心问题：针对某个特定任务构建一个图来使用潜在的信息。
因为有些任务中，图数据是给定的（如引用网络、社交网络、推荐系统的图数据等），但是有些图结构并不明显，所以需要转为一个图上可以解决的问题（如节点分类、链路预测等）。
（2）图作为外部知识
虽然一些任务本身和图没有啥关系，但是可以找到一些图结构的辅助信息，如引入知识图谱等。ex：如药物交互图可以作为外部知识辅助药物推荐；实体关系图可以作为额外信息帮助阅读理解。
（3）创造新的图
如在NLP的文本生成，或者语义解析等任务中。
要生成文本 or 逻辑语言可以认为是一个图结构，所以需要一个基于图神经网络的解码器。
1.2 以往的方法
以往处理情感分析问题，虽然也用了深度学习的方法提取语义特征，但是文本中的句法结构信息（其实一种图数据）经常被忽略。如果仅将依存句法信息用于规则构造和特征抽取，那么句子中成分间的非线性语义关系便没有被学习和利用。
（2）Bastings 等［21］基于句子的依存句法树信息对句子中的词进行表示，之后利用GCN进行机器翻译任务。
二、本文的研究方法：
（1）依存句法分析图中的节点特征：结合LSTM和注意力机制，抽取的文本特征。
（2）用GCN对（1）中生成的节点特征，和依存句法分析图的邻接矩阵进行训练。
（3）输出负面情感类别（愤怒、厌恶、恐惧和悲伤）
三、模型思想
四、实验过程
（1）先用word2vec对舆情文本进行无监督训练，得到含语义信息的词向量，即文本表示l。
（2）对（1）得到的l句子，使用Bi-LSTM进行特征提取，获得隐含层特征（由正向和反向的LSTM抽取出的特征拼接而成）。
（3）在Bi-LSTM加入注意力机制：增强句子中的情感语义信息，提升因递归减少的捕捉长距离依赖的能力。PS：自注意力机制本质上是输入Query (Q ) 到一系列键值对( Key ( K )，Value (V ) ) 的映射函数。Q，K，V 分别是由查询向量、键向量、值向量构成的矩阵。
（4）如上图右边的依存句法树（的邻接矩阵），直接输入GCN模型，得到特征z i z_iz
i
：
其中：
R e L U ReLUReLU是激活函数
A为邻接矩阵
D ~ \tilde{D}
D
~
是A的度矩阵
W C W_{C}W
C
是GCN中的权重矩阵
具体的栗子（从依存句法树转为邻接矩阵）：
（5）对（4）得到的句子特征进行平均池化，再输入全连接层（激活函数为softmax），得到分类的情感label。
指标：准确率（Accuracy）、宏精确率（Macro_Precision）、宏召回值（Macro_Recall）和宏F1值（Macro_F1）作为模型的评估指标。
PS：其中隐藏层单元数和 GCN 的层数等超参数，作者进行调节分析，找到最佳值，如GCN层数， GCN 层数超过 3 时，模型性能出现较大回落，学习能力锐减。所以将GCN层数设置为1：
五、优点和局限性
5.1 优点
有画出不同模型的在情感分类任务中的混淆矩阵，还特别提到在恐惧情感中，本文模型的准确率达到了93.535%，相比BiLSTM-GCN和BiLSTM-Attention有较大提升。也说明了说明引入文本的依存句法结构以及应用自注意力机制和GCN的优势。
【混淆矩阵】
下面涉及英文缩写，第一个字母T和F代表True和False；第二个字母P和N代表阴性（Positive）和阳性（Negative），即预测结果。
真阳性TP：预测值和真实值都为正例；
真阴性TN：预测值与真实值都为正例；
假阳性FP：实际值为负，但预测值为正；
假阴性FN：实际值为正，但预测值为负；
TP反应预测为真的样本也是正样本的样本数。
5.2 局限性
和顶会相比是有不少局限性的：
（1）数据是用自己爬的数据，并没有用公开的数据集；
（2）模型进行比较时，用的baseline如CNN、logistic较为简单；当然也有用其他baseline如BiLSTM-GCN、BiLSTM-Attention、BiLSTM等进行对比试验。
（3）图神经网络算法并没有改动较大，只是进行模型的组装。
六、下一阶段
解读ACL论文：
Graph Convolutional Networks for Text Classification（用于文本分类的图卷积网络）
论文：https://arxiv.org/abs/1809.05679v1
