面向情感分析的语义图神经网络：统一依存图与抽象语义表示的OOP实践

本文介绍了一个开源项目，旨在将通用依存句法图（UD）与抽象语义表示（AMR）统一为通用图结构，并利用关系图卷积神经网络（RGCN）进行情感分析。项目深入应用面向对象设计模式构建可扩展系统，对比了UD与AMR在情感分析中的表现，揭示了纯结构方法的局限性，并提出混合架构等改进方向。

在自然语言处理领域，传统词袋模型和序列模型难以捕捉词语间复杂依赖关系。图神经网络（GNN）的兴起为解决这一问题提供新思路。本项目来自科罗拉多大学博尔德分校2026年春季学期CSCI5448课程期末作业，尝试将UD和AMR两种主流语义图表示统一为通用图对象，并用RGCN进行情感分析。

项目采用适配器模式创建统一Graph类，通过Featurizer类将amrlib（AMR）和stanza（UD）的异构接口转换为节点/边结构；使用模板模式定义抽象Model基类，SentimentAnalysis类继承实现具体逻辑；工厂模式封装Model创建（model_factory.py）；还运用策略模式（特征提取）和装饰器模式增强功能，确保系统可扩展与维护。

Featurizer类负责将通用图转换为PyTorch特征：节点特征包括词嵌入、词性、位置等；边特征含源/目标节点ID、关系类型（部分开发中）。核心模型为RGCN，能处理多种关系边（适配UD图的句法关系），输入节点/边特征，通过多层卷积学习节点表示，输出情感分类结果（负面/正面/中性）。目前UD图支持完整，AMR图与边特征仍在开发。

在Kaggle情感分析数据集上，UD图（2000句）准确率65%，AMR图（1000句）55%。分析发现：UD图节点对应原词，特征直接用压缩词嵌入，更适合情感分析（具体词汇比抽象概念更具判别力）；纯结构方法用静态词嵌入，难以捕捉Transformer模型的动态上下文语义；数据规模（1000-2000句）与计算成本制约性能提升，尤其是AMR解析成本高。

反思：情感分析是否适合RGCN？RGCN更适合词性标注、关系抽取、语义角色标注等任务。工程实践：实现命令行界面（自定义超参数、查看历史结果、选择图类型/特征），结果以CSV（概览）和JSON（详细）保存；代码模块化（featurizer.py、model_factory.py等），单元测试全覆盖。

未来改进：迁移到图形用户界面（GUI）；探索GNN与预训练语言模型（如BERT）混合架构；扩展到词性标注、关系抽取等任务；优化计算效率；完成AMR图与边特征支持。结语：项目展示了软件工程实践在NLP中的应用，构建了清晰可扩展的代码库，虽性能未达SOTA，但获得的洞察为后续研究提供指导，平衡了学术研究与工程实践，是GNN+NLP入门的良好案例。