Fine-grained sentiment analysis has shown great benefits to real-word applications, such as for social media texts and product reviews. While the current state-of-the-art methods employ external syntactic dependency knowledge and enhance the task performances, most of them make use of merely the dependency edges, leaving the dependency labels unexploited, which the work presented here shows to be also of great helpfulness to the task. In this study we leverage these syntactic features for improving fine-grained sentiment analysis. Compared to previous studies, our method advances following aspects. First, we are the first to propose a novel label-wise syntax memory (LSM) network for simultaneously encoding both the syntactic dependency edges and labels information in a unified manner. Additionally, we take the advantage of the current state-of-the-art contextualized BERT language models to provide rich contexts towards the targeted aspects. We conduct experiments on five benchmark datasets, and the results demonstrate that our model outperforms current best-performing baselines, and achieves new state-of-the-art performances. Further analysis is conducted, proving the necessity to encode sufficient syntactic dependency knowledge for the task, also illustrating the effectiveness of our LSM encoder on modeling these syntax attributes. By exploiting rich syntactic information, our framework outperforms baselines in identifying multiple aspects of sentiment analysis as well as the long-range dependency issues.

细粒度的情感分析已显示出对实词应用程序的巨大好处，例如社交媒体文本和产品评论。尽管当前最先进的方法利用了外部句法依赖性知识并增强了任务性能，但是大多数方法仅利用了依赖性边缘，而没有利用依赖性标签，这里展示的工作也显示出了很大的意义。对任务的帮助。在这项研究中，我们利用这些语法功能来改善细粒度的情感分析。与以前的研究相比，我们的方法在以下几个方面有所进步。首先，我们是第一个提出一种新颖的基于标签的语法存储（LSM）网络，用于以统一的方式同时对句法依赖边和标签信息进行编码。此外，我们利用当前最先进的上下文化BERT语言模型为目标方面提供丰富的上下文。我们在五个基准数据集上进行了实验，结果表明我们的模型优于目前表现最佳的基准，并获得了最新的性能。进行了进一步的分析，证明了对该任务进行足够的语法依赖知识编码的必要性，还说明了我们的LSM编码器在对这些语法属性建模时的有效性。通过利用丰富的语法信息，我们的框架在识别情绪分析的多个方面以及长期依赖问题方面优于基线。我们在五个基准数据集上进行了实验，结果表明我们的模型优于目前表现最佳的基准，并获得了最新的性能。进行了进一步的分析，证明了对该任务进行足够的语法依赖知识编码的必要性，还说明了我们的LSM编码器在对这些语法属性建模时的有效性。通过利用丰富的语法信息，我们的框架在识别情绪分析的多个方面以及长期依赖问题方面优于基线。我们在五个基准数据集上进行了实验，结果表明我们的模型优于目前表现最佳的基准，并获得了最新的性能。进行了进一步的分析，证明了对该任务进行足够的语法依赖知识编码的必要性，还说明了我们的LSM编码器在对这些语法属性建模时的有效性。通过利用丰富的语法信息，我们的框架在识别情绪分析的多个方面以及长期依赖问题方面优于基线。还说明了我们的LSM编码器对这些语法属性建模的有效性。通过利用丰富的语法信息，我们的框架在识别情绪分析的多个方面以及长期依赖问题方面优于基线。还说明了我们的LSM编码器对这些语法属性建模的有效性。通过利用丰富的语法信息，我们的框架在识别情绪分析的多个方面以及长期依赖问题方面优于基线。