基于依存结构与根节点的显式方面提取：从原理到工程实践-平芜编程栈

1. 项目概述：从海量评论中精准“打捞”产品特征

如果你曾经为了买一个电子产品，在电商平台翻看几十甚至上百条用户评论，最后看得头晕眼花，却依然不确定这个产品的“屏幕”、“续航”或“系统”到底好不好，那么你就能立刻理解“方面提取”这项技术的价值所在。在自然语言处理领域，方面提取是情感分析任务中最关键、也最具挑战性的一环。它的目标很简单：从一段文本中，自动找出用户正在评价的具体对象或特征。比如，在评论“手机的电池续航太短，但拍照效果非常出色”中，我们需要精准地识别出“电池续航”和“拍照效果”这两个方面。

传统的方面提取方法，无论是基于频率统计、序列模式还是简单的依存规则，往往存在一个明显的局限：它们大多只将名词或名词短语视为潜在的方面。这在实际应用中会漏掉大量信息。想想看，用户完全可能评价一个产品的“操作”（动词）是否“流畅”，或者抱怨“售后服务”（多词名词短语）的“迟缓”。更复杂的是，一个句子中可能同时提及产品的多个特征，例如“这款相机的画质和便携性都让我满意”。如何系统性地、无遗漏地捕捉这些多样化的方面，是提升情感分析细粒度和实用性的核心。

针对这些痛点，我们团队提出并实现了一种名为“基于依存结构与根节点技术的显式方面提取方法”。这项工作的核心思想是，句子的语法依存结构蕴含了丰富的语义关系线索，而“根节点”作为整个句子的结构核心，是定位评价焦点的绝佳锚点。我们不再局限于名词，而是构建了一套包含30条新规则的体系，利用spaCy依存解析器，系统地抽取名词、名词短语、动词、动词短语，并能有效处理单一方面、多重方面以及长度超过两个词的多词方面。经过在五个公开电子产品评论数据集上的测试，我们的方法在精确率、召回率和F1分数上均超越了现有的主流方案。接下来，我将为你深入拆解这套方法的原理、实现细节以及我们在实践中踩过的坑和总结的经验。

2. 核心思路拆解：为什么是依存结构与根节点？

在深入代码和规则之前，我们必须先搞清楚两个核心概念：依存结构和根节点。这决定了我们整个方法的设计哲学。

2.1 依存结构：句子内部的“权力地图”

你可以把一个句子的依存结构想象成一张公司组织架构图。句子中的每个词都是一个“员工”，它们之间存在着明确的“汇报”关系。例如，在句子“美丽的屏幕显示效果惊艳”中，“美丽”修饰“屏幕”，“屏幕”又是“显示效果”的一部分，而“惊艳”则直接描述“显示效果”。依存解析的任务，就是画出这张关系图，明确标出谁修饰谁，谁是核心。

在技术实现上，我们使用spaCy库来完成这项任务。spaCy会为每个词标注其词性，并指明它与其他词的依存关系类型，如nsubj（名词性主语）、dobj（直接宾语）、amod（形容词修饰语）、compound（复合词）等。这些标签是我们编写提取规则的“语法词典”。

2.2 根节点：句子的“首席执行官”

在任何一张组织架构图中，总有一个最高负责人。在依存句法树中，这个角色就是“根节点”。根节点是整个句子的结构核心，通常是一个主要的动词或系动词（如“是”、“有”）。关键之处在于，根节点只被其他词修饰，但它不修饰任何其他词。它是所有依存关系的最终汇聚点。

我们的核心创新在于，将“根节点”作为规则设计的坐标系原点。传统的依存规则方法虽然也利用依存关系，但规则设计相对零散，缺乏一个统一的、结构化的参照点。以根节点为基准来观察其左右的子节点（即直接依赖于它的词）以及更远的依存关系，能够让我们设计出更系统、更泛化能力更强的规则。例如，如果一个名词作为根节点的左子节点（nsubj关系），且根节点的右子节点是一个已知的情感词（如“很棒”），那么这个名词是方面的概率就极高。

2.3 规则设计哲学：从模式观察到规则归纳

我们的30条规则并非凭空想象，而是通过对海量真实产品评论句子进行模式分析后归纳总结出来的。这个过程就像语言学家研究语法规律。

我们首先用spaCy解析成千上万的评论句子，人工观察并标注其中的方面词。然后，我们反向分析这些方面词在依存树中所处的位置、与根节点的关系、以及与周围情感词（如“好”、“差”、“快”、“慢”）的依存关系。通过大量样本的统计，高频出现的结构模式就被固化为一条条规则。

例如，我们发现了这样一种高频模式：[冠词/代词] + [名词] + [系动词] + [情感形容词]，对应依存结构为nsubj(ROOT, 名词)和acomp(ROOT, 形容词)。这就是我们最基础的规则之一。基于此，我们可以衍生出更复杂的规则，比如处理带有并列连词（conj）的多个名词，或者处理带有复合修饰（compound）的多词名词短语。

注意：依赖规则方法的一个常见风险是过度抽取，即把不是方面的名词也抓出来。例如，在句子“我用了它三天”中，“三天”是时间单位，并非产品方面。为了解决这个问题，我们引入了“非方面名词词典”，将代词、时间单位、数量词等排除在外，这是保证规则方法精确率的关键一步。

3. 方法论深度解析：DS-RN技术的完整工作流

我们的DS-RN方法是一个完整的处理流水线，从原始文本到最终的方面列表，共分为三个阶段。理解这个流程，是复现或应用该方法的基础。

3.1 第一阶段：数据预处理与解析

原始的用户评论充满了噪声，直接处理效果会很差。预处理是至关重要的一步，其目标是将非结构化的文本转化为干净、规范的句子单元，并为依存解析做好准备。

1. 文本清洗：

移除无关符号：删除引号、称呼语、撇号、连字符、感叹号等。这些符号对语义理解帮助不大，但会增加句法分析的复杂度。例如，将“I’m”这样的缩写还原为“I am”，能避免解析器产生错误的分词和依存关系。
纠正非标准表达：网络评论中常有“u”代替“you”、“gr8”代替“great”等情况。我们使用了一个简单的查找替换表进行规范化，更复杂的场景可以考虑使用拼写纠正库。

2. 句子分割与解析：

使用spaCy的句子分割器将大段评论拆分成独立的句子。这是必须的，因为我们的规则是以句子为单位进行应用的。
对每个句子，调用spaCy的管道进行词性标注和依存解析。这里会得到每个词的token.text（文本）、token.pos_（词性）、token.dep_（依存关系）以及token.head（中心词）。token.head属性尤其重要，它直接指向了当前词在依存树中的父节点。

3. 定位根节点：

遍历句子中的所有词，找到那个token.dep_属性为ROOT的词。这个词就是整个句子的根节点，是我们所有“Type-01”规则的基准点。

3.2 第二阶段：基于规则的方面抽取

这是方法的核心。我们将31条规则分为两大类，构成了一个两级抽取体系。

Type-01: 基于根节点的规则（规则1-29）这类规则是主干，其逻辑是：以根节点为观察中心，检查其特定位置的子节点或特定依存路径上的词是否符合方面词的特征。

规则示例解析（以规则1为例）：

模式：ROOT的词性为VERB或AUX（助动词）。ROOT的左子节点依存关系为nsubj（名词性主语），且词性为NOUN或PROPN（专有名词）。ROOT的右子节点依存关系为acomp（形容词补语），且该形容词存在于我们预定义的情感词典中。
逻辑：这种结构“主语 + 系动词 + 表语”是英文中表达评价的经典句式。主语（左子节点）是被评价的对象，表语（右子节点）是评价内容。因此，左子节点名词被提取为方面。

代码逻辑示意：

def rule_1(root_token): left_children = [child for child in root_token.lefts if child.dep_ == “nsubj”] right_children = [child for child in root_token.rights if child.dep_ == “acomp”] if left_children and right_children: aspect_candidate = left_children[0] opinion_candidate = right_children[0] # 检查左子节点是否为名词且不在非方面词典中 if aspect_candidate.pos_ in [“NOUN”, “PROPN”] and aspect_candidate.text.lower() not in NON_ASPECT_LEXICON: # 检查右子节点是否为情感词 if opinion_candidate.text.lower() in OPINION_LEXICON: return aspect_candidate.text return None

处理复杂情况：
- 多重方面：通过识别conj（并列）关系。例如，规则10会处理“It has good color and great price”这类句子。当提取到第一个方面“color”后，会寻找与其有conj关系的词，从而提取出“price”。
- 多词方面：通过识别compound（复合）关系。例如，“LCD screen”中，“LCD”与“screen”是compound关系。规则会将以nsubj关系连接到根节点的名词作为起点，向前或向后遍历compound链，将整个名词短语合并提取。
- 动词作为方面：我们扩展了方面的定义。例如，在“The softwarerunssmoothly”中，“runs”（运行）是一个动作，也是用户评价的对象。我们创建了一个动作动词词典，包含如“run”, “install”, “charge”, “operate”等词。当这类动词以特定依存关系（如ccomp-从句补语）出现时，我们将其提取为方面。

Type-02: 非基于根节点的规则（规则30-31）这是对Type-01的补充，用于处理一些根节点不直接参与评价关系的特殊句式。

规则示例（规则30）：处理以名词短语结尾的评价句，如“I really like theuniversal remote control”。此时，句末名词短语“universal remote control”是评价的宾语，但根节点“like”与它的关系是dobj（直接宾语），且这个名词短语可能离根节点较远。规则30会识别句末名词（非代词、非数量词等），并向前合并其compound修饰词，从而提取出多词方面。
规则示例（规则31）：专门处理一些动宾结构中的动词短语作为方面，例如“The setup is easy toinstall and configure”。这里“install and configure”作为动词短语被整体提取。

3.3 第三阶段：词典过滤与后处理

规则抽取会产生大量候选词，其中包含误报。我们使用三种词典进行过滤，这是提升精确率的关键。

情感词典：一个包含正面和负面情感词的列表（如good, bad, excellent, terrible, fast, slow）。在很多规则中，方面词附近需要出现情感词作为触发条件。这模仿了人类阅读时寻找“评价对象-评价内容”配对的本能。
非方面名词词典：这是一个排除列表。包含：
- 代词（it, this, that）
- 时间/数量单位（day, year, piece）
- 抽象通用名词（thing, stuff, way, problem）
- 领域无关的常见名词（price在商品评论中是方面，但在纯功能描述中可能不是）。这个词典需要根据目标领域进行微调和扩充。
动作动词词典：一个包含可能作为评价对象的动词列表。这需要人工总结和领域适配。例如，在软件评论中，“load”, “crash”, “update”可能是方面；在相机评论中，“focus”, “zoom”可能是方面。

实操心得：词典的质量直接影响最终效果。情感词典可以使用现成的资源（如MPQA主观性词典），但非方面名词词典和动作动词词典必须进行领域适配。最好的方法是，在初始规则抽取结果中，人工检查排名前100的误报（False Positives），将其中频繁出现的非方面词加入排除词典。这是一个迭代的过程。

4. 规则体系详解与实现避坑指南

纸上谈兵终觉浅，绝知此事要躬行。虽然论文中列出了31条规则，但将其转化为稳定、高效的代码，并在真实数据上运行，会遇到许多在理论设计中未曾预料的问题。这里，我将分享核心规则的实现逻辑以及关键的避坑点。

4.1 核心规则实现示例与陷阱

我们以最具代表性的几条规则为例，说明其代码实现和需要注意的边界情况。

规则1与规则5的对比实现：规则1提取名词性方面，规则5则专门处理动词性方面。它们的结构类似，但判断逻辑不同。

import spacy nlp = spacy.load(“en_core_web_sm”) # 假设已加载词典 OPINION_LEXICON = set([“good”, “bad”, “great”, “poor”, “fast”, “slow”]) # 示例 ACTION_VERB_LEXICON = set([“run”, “install”, “charge”, “operate”, “focus”]) NON_ASPECT_NOUNS = set([“it”, “thing”, “way”, “time”, “price”, “days”]) def extract_aspects_ds_rn(sentence): doc = nlp(sentence) aspects = [] for sent in doc.sents: root = [token for token in sent if token.dep_ == “ROOT”][0] # === 规则1：nsubj(NOUN) + ROOT + acomp(ADJ ∈ Opinion) === left_nsubj = [c for c in root.lefts if c.dep_ == “nsubj” and c.pos_ in [“NOUN”, “PROPN”]] right_acomp = [c for c in root.rights if c.dep_ == “acomp” and c.text.lower() in OPINION_LEXICON] if left_nsubj and right_acomp: candidate = left_nsubj[0] # 关键检查：排除非方面名词 if candidate.text.lower() not in NON_ASPECT_NOUNS: # 处理复合名词：如果该名词有compound修饰子节点，则合并 multi_word = extract_compound_noun(candidate) aspects.append(multi_word) # === 规则5：nsubj(NOUN) + ROOT + xcomp(VERB ∈ Action Verb) === # 用于处理如“The app is easy to use” -> 提取“use” right_xcomp = [c for c in root.rights if c.dep_ == “xcomp” and c.pos_ == “VERB”] if left_nsubj and right_xcomp: verb_candidate = right_xcomp[0] if verb_candidate.lemma_.lower() in ACTION_VERB_LEXICON: # 使用词元（lemma）匹配 aspects.append(verb_candidate.lemma_.lower()) return aspects def extract_compound_noun(noun_token): """合并复合名词，如‘battery life’""" parts = [] # 向前收集compound修饰词 for left in noun_token.lefts: if left.dep_ == “compound”: parts.insert(0, left.text) parts.append(noun_token.text) # 向后收集并列或附加修饰（根据需求可选） return “ “.join(parts)

陷阱1：根节点的左右子节点遍历token.lefts和token.rights返回的是直接子节点，但有时目标词可能不是直接子节点，而是通过中间节点间接连接。例如，在否定句“The battery is not good”中，“good”可能是acomp，但“not”作为否定副词neg，可能是“good”的子节点。我们的规则需要能穿透这种修饰关系，判断核心的情感词。一个更健壮的方法是检查以根节点为根的子树中，是否存在符合条件的情感词节点。

陷阱2：多词方面的边界判定compound关系并不总是紧密的。对于“long battery life”，“long”是amod修饰“life”，而“battery”和“life”是compound关系。我们的extract_compound_noun函数需要递归地收集所有通过compound和amod（如果形容词不作为情感词时）关系连接在一起的词，以正确提取“battery life”甚至“long battery life”。这里需要设定一个合理的停止条件，避免合并进无关的修饰语。

4.2 词典构建与动态更新策略

静态词典会限制模型的泛化能力。我们采用了一种“初始化+迭代优化”的策略。

情感词典初始化：使用公开的、覆盖面广的情感词典作为基础，如Bing Liu’s opinion lexicon。
非方面名词词典构建：
- 种子词：从通用停用词表中加入代词、数量词等。
- 高频词过滤：在初始抽取结果中，统计所有被抽取名词的频率。那些频率极高、但明显不是产品方面（如“thing”, “stuff”, “one”）的词，加入排除列表。
- 领域特异性：对于电子产品评论，“price”可能是方面（用户比较价格），也可能是非方面（在描述功能时提及）。这需要人工根据数据集样本进行判断和调整。
动作动词词典构建：
- 从训练数据中，手动筛选出那些作为评价核心的动词。
- 利用WordNet等语义资源，对种子动词进行同义词扩展。例如，有了“install”，可以加入“set up”, “configure”。

重要提示：词典过滤是一把双刃剑。过于严格的过滤会降低召回率（漏掉真正的方面），过于宽松则会影响精确率（引入噪声）。一个实用的技巧是设置置信度阈值。例如，对于规则匹配的候选词，如果它同时在compound链中且不在非方面词典中，则给予高置信度；如果它是单独的名词且不在任何情感词附近，则给予低置信度。在后续应用中，可以根据需求调整阈值。

4.3 处理特殊句式与歧义

自然语言充满歧义和特例，我们的规则体系必须有一定的容错和扩展能力。

并列与列表处理：用户常说“The design, screen, and battery are all great”。这里有三个并列的方面。我们的规则需要能识别conj和cc（并列连词）关系，递归地提取出并列结构中的所有名词。这通常在规则10及其变体中实现。
代词指代消解：例如，“It has a great camera.Itis also very fast.” 第二个“it”指代的是前文的“camera”还是整个“phone”？简单的依存规则很难解决指代问题。对于高精度要求的场景，可以考虑集成spaCy的核心指代消解功能，将代词替换为其指代的前述名词，再进行方面抽取。
否定与转折：“The screen is good but the battery is poor.” “but”表示转折，意味着前后评价相反。虽然方面提取本身不直接处理情感极性，但识别这种结构有助于更准确地划定评价单元，避免错误关联。spaCy的依存标签cc和conj可以帮助我们分割这种并列转折结构。

5. 实验部署、效果评估与调优实战

理论和方法最终要接受数据的检验。我们在五个公开的电子产品评论数据集上进行了系统性的实验，这个过程充满了对参数和规则的微调。

5.1 数据集准备与评估指标解读

我们使用了情感分析领域经典的基准数据集，这些数据集由Hu和Liu等人标注，包含Apex DVD播放器、Creative MP3播放器、佳能数码相机、尼康数码相机和诺基亚手机的评论。

数据统计：每个数据集包含数百到数千条句子，每个句子都人工标注了显式方面词。例如，句子“The battery life is short but the camera is amazing.” 的标注方面是“battery life”和“camera”。
评估指标：我们采用信息检索领域标准的精确率、召回率和F1分数。
- 精确率：我们提取的方面中，有多少是正确的？这衡量了准确性。Precision = TP / (TP + FP)
- 召回率：数据集中所有正确的方面，我们找出了多少？这衡量了全面性。Recall = TP / (TP + FN)
- F1分数：精确率和召回率的调和平均数，是综合性能的单一指标。F1 = 2 * (Precision * Recall) / (Precision + Recall)
一个关键选择：基于实例 vs. 基于类型：
- 基于实例：同一个方面词在数据集中出现多次，每次出现都算一个独立的实例。如果“battery”出现了15次，我们抽出了其中10次，那么TP=10，FN=5。
- 基于类型：只考虑不同的方面词类型。只要“battery”被抽出过一次，就算正确抽出了该类型。我们的选择是基于实例。因为在实际应用中，一个方面被提及的频率本身就反映了其重要性。我们需要知道“电池”这个问题被多少用户抱怨，而不仅仅是知道有人提到了“电池”。

5.2 性能对比分析与结果深度解读

我们将DS-RN方法与三类主流基线方法进行了对比：

基于依存规则的方法：如Double Propagation (DP), RubE等。
基于序列模式的方法：如Htay, SPR等。
混合方法：结合了多种技术的模型。

下表展示了DS-RN在五个数据集上的平均性能与代表性基线方法的对比：

方法类别	方法名称	平均精确率	平均召回率	平均F1分数	核心特点
依存规则 (Ours)	DS-RN	87%	97%	91%	基于根节点的系统化规则，支持多词/动词/多重方面
依存规则	DP	84%	88%	86%	经典的双传播算法，依赖种子情感词
依存规则	RubE	85%	89%	87%	改进了DP，增加了比较规则和间接关系
序列模式	SPR	82%	85%	83%	基于词性序列模式的匹配
混合方法	ML-RB	86%	90%	88%	结合了依存规则和序列模式

结果分析：

高召回率：我们的方法召回率（97%）显著高于其他方法。这直接证明了我们规则体系的覆盖度更广。通过系统化地以根节点为中心设计规则，并加入对动词、多词、多重方面的支持，我们极大地减少了漏报（FN）。
可接受的精确率：精确率（87%）虽然略低于某些极端优化精确率的方法，但在召回率大幅提升的前提下，这是一个非常优秀的平衡点。高召回率意味着我们捕捉到了更多真实方面，这对下游的情感分类任务更有价值。
F1分数领先：91%的综合F1分数表明，DS-RN在精确率和召回率之间取得了当前最好的平衡。

5.3 错误分析与针对性调优

没有完美的模型，只有不断优化的过程。我们分析了DS-RN产生的错误，主要分为两类：

假阳性（FP）：抽取了不是方面的词。
- 案例：在句子“I bought it last week.”中，“week”可能被某些规则误抽为方面。
- 解决方案：强化“非方面名词词典”。将“week”, “month”, “year”等时间单位词，以及“purchase”, “order”等交易行为动词（除非在特定领域是方面）加入排除列表。这是一个持续的过程，需要在验证集上反复检查。
假阴性（FN）：漏掉了真正的方面。
- 案例：隐含方面或非常规表达。如“It dies quickly.”（指电池耗电快），方面“battery”是隐含的。
- 解决方案：显式方面提取无法解决隐含方面问题，这是本方法的理论边界。对于非常规表达，如“This thing rocks!”， “thing”指代产品本身，属于隐式评价。我们可以通过添加一条启发式规则：如果句子情感强烈但未抽取出任何方面，且主语是“it”, “this”, “that”等，则将整个产品实体作为默认方面。但这需要谨慎，容易引入噪声。

调优流程建议：

划分数据：将标注数据按70%/15%/15%分为训练集、开发集和测试集。
在开发集上迭代：
- 运行初始模型，得到预测结果。
- 人工审查FP案例：将模型预测错误但标注为正确的案例列出。分析这些词为什么被错误抽取，是因为规则有漏洞，还是词典未覆盖？据此修改规则或更新词典。
- 人工审查FN案例：将标注了但模型未抽出的方面列出。分析句子结构，看是否有一种新的依存模式未被现有规则覆盖。如果是，则设计新规则。
在测试集上最终评估：使用经过开发集调优的最终模型和词典，在从未见过的测试集上运行，得到最终的性能报告。这个分数才代表模型的真实泛化能力。

6. 常见问题、实战陷阱与进阶思考

在实际部署和复现DS-RN方法时，你可能会遇到一些典型问题。这里我总结了一份“避坑指南”，并探讨一些未来的扩展方向。

6.1 实战问题排查清单

问题现象	可能原因	排查步骤与解决方案
抽取结果为空太多	1. 预处理过于激进，破坏了句子结构。 2. 规则过于严格，或情感词典太小。 3. spaCy模型解析错误。	1. 检查预处理后的文本，确保句子完整。 2. 输出spaCy的解析结果，检查依存关系和词性标注是否正确。可尝试换用`en_core_web_lg`等更大模型。 3. 放宽基础规则（如规则1）的约束，暂时移除情感词典检查，看是否能抽取出名词。
抽取到大量无关词（如“I”, “thing”）	1. 非方面名词词典未生效或不全。 2. 规则未正确检查候选词的词性。	1. 检查非方面名词词典是否被正确加载和应用。将高频误报词加入词典。 2. 在规则中增加对`PRON`（代词）的显式排除。
多词方面被拆散（如“battery life”只抽出“life”）	`compound`关系合并逻辑有bug。	调试`extract_compound_noun`函数。确保它递归地收集了所有左边的`compound`修饰词。使用句子“The battery life is good”进行测试。
无法抽取动词方面	1. 动作动词词典为空或未覆盖。 2. 规则5（或类似规则）的条件未满足。	1. 扩充动作动词词典。从数据集中人工筛选常见评价动词。 2. 检查目标动词的依存标签是否为`xcomp`或`ccomp`。有时动词作为方面可能是`dobj`（如“I love to use it”中的“use”需要特殊规则处理）。
性能远低于论文报告	1. 数据集版本或预处理方式不同。 2. 规则实现有细微错误。 3. 词典资源不同。	1. 确保使用相同的数据集，并按照论文描述进行预处理（如缩写还原）。 2.逐条核对规则实现，特别是依存关系标签的拼写（spaCy使用小写，如`nsubj`）。 3. 尝试使用论文作者公开的词典（如有），或使用标准的情感词典。

6.2 领域适配与扩展

DS-RN方法虽然在电子产品评论上表现良好，但要应用到其他领域（如餐饮评论、酒店评论、电影评论），需要进行适配。

领域特定词典：这是最重要的适配步骤。餐饮评论的方面可能是“服务”、“氛围”、“口味”，动词可能是“上菜”、“推荐”。需要构建领域特定的非方面词典和动作动词词典。
规则微调：不同领域的语言表达习惯不同。例如，在电影评论中，“The plot is confusing”很常见，其中“plot”是方面。这条句子的依存结构与我们的规则1完全匹配。但在餐饮评论中，“The steak was cooked to perfection”中，“cooked”是动词作为方面，可能需要调整规则来捕捉这种“名词 + 系动词 + 过去分词”的结构。
处理新词与网络用语：网络评论常有新词和缩写。spaCy的大模型对此有一定处理能力，但对于领域新词（如电子产品中的“OLED”、“高刷”），可能需要更新分词词典或进行实体识别。

6.3 与深度学习方法的结合展望

规则方法的优势是可解释、可控、不需要大量标注数据。深度学习方法（如基于BERT的序列标注模型）的优势是泛化能力强、能捕捉复杂语义。将两者结合是未来的趋势。

一个可行的混合架构是：

规则模块作为高精度召回器：首先使用DS-RN规则快速抽取出高置信度的候选方面集合。这部分结果的精确率很高。
神经网络模块作为判别器与补全器：将整个句子和候选方面输入一个轻量级的神经网络（如一个线性分类层），判断该候选是否是真正的方面。同时，该网络可以作为一个序列标注模型，在规则未覆盖的句子片段中，预测潜在的方面词。
结果融合：合并规则抽取的高置信度结果和神经网络补全的结果，作为最终输出。

这种方式既能保证基础性能，又能利用神经网络处理规则难以覆盖的复杂和隐含情况，有望在保持高召回率的同时，进一步提升精确率。