(上饒師范學(xué)院 數(shù)學(xué)與計算機科學(xué)學(xué)院，江西 上饒 334001)

近年來，隨著博客、微信、維基等社交網(wǎng)絡(luò)的不斷增長，基于社交網(wǎng)絡(luò)等媒介的情感分析[1]正成為工業(yè)界與學(xué)術(shù)界的研究熱點。情感分析也稱觀點挖掘[2-3]，屬于自然語言處理與計算語言學(xué)的范疇，其主要目標(biāo)是將文本進行分類即正面情感或負(fù)面情感，有時還可劃分為中性情感[4]。對于情感分析，已經(jīng)涌現(xiàn)出大量相關(guān)情感分類方法，如PD Turney[5]與Taboada[6]等人分別先后于2002年、2011年提出基于字典的切分類方法。Pang與Lee[7-8]把機器學(xué)習(xí)的傳統(tǒng)算法應(yīng)用到情感分析中，并利 用 詞 袋 模 型[2]對 文 本 進 行 情 感 分析。近年來，隨著人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)研究的不斷進展，如Kim于2014年提出CNN(Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò))模型[9]，利用詞向量對文本進行分類，并取得了不錯的效果。Mikolov[10]等人在2010年提出通過RNN(Recurrent Neural Network，循環(huán)神經(jīng)網(wǎng)絡(luò))來進行建模，此模型可以充分地利用上下文信息構(gòu)建語言模型，效果比較顯著。Socher[11]等人通過改進的遞歸神經(jīng)網(wǎng)絡(luò)模型(Recursive Neural Network)來獲取句子語義特征，提高了情感分類的準(zhǔn)確率。

在傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)中，在梯度反向傳播階段，狀態(tài)轉(zhuǎn)移矩陣權(quán)重的大小將會對學(xué)習(xí)過程產(chǎn)生強烈影響。具體說來，如果狀態(tài)轉(zhuǎn)移矩陣中的權(quán)重較小，這將導(dǎo)致梯度信號變得太小以致于學(xué)習(xí)非常緩慢甚至停止從而帶來梯度消失問題。反之，如果矩陣中的權(quán)重較大，將導(dǎo)致梯度信號過大使得學(xué)習(xí)偏離而造成所謂的梯度爆炸問題[12]。

本研究在RNN循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，建立LSTM深度神經(jīng)網(wǎng)絡(luò)模型，對文本情感進行分析，通過在公開數(shù)據(jù)集上的相關(guān)實驗，證明LSTM模型情感分析方法的有效性。

1 LSTM模型

1.1 LSTM模型結(jié)構(gòu)

為了解決RNN模型中的上述問題，這里采用LSTM(Long Short-Term Memory，長短記憶網(wǎng)絡(luò))模型[13]，其是一種時間遞歸的深度神經(jīng)網(wǎng)絡(luò)。LSTM引入一種稱之為記憶單元 (memory cell)的新型結(jié)構(gòu)，具體如圖1所示，記憶單元主要由輸入門、自循環(huán)連接的神經(jīng)元、遺忘門和輸出門四個部分組成。

圖1 LSTM記憶單元示意圖

1.2 LSTM模型算法流程

為了理解LSTM網(wǎng)絡(luò)模型的工作原理，這里通過一系列算法方程進行說明，假設(shè)每個時間步t，記憶單元層將進行更新，進一步假設(shè)如下：

(1)xt是記憶單元層在時間t的輸入。

(2)Wi,Wf,Wc,Wo,Ui,Uf,Uc,Uo與Vo是權(quán)重矩陣。

(3)bi,bf,bc,bo是偏差向量。

具體算法流程如下：

第1步：在每一個時間步t，將計算it。具體將輸入門輸入信息與權(quán)值相乘，再加上偏置量，然后將記憶單元狀態(tài)從Ct-1更新到Ct，具體方程如下：

it=σ(Wixt+Uiht-1+bi)

(1)

(2)

ft=σ(Wfxt+Ufht-1+bf)

(3)

(4)

第3步：在上述更新后記憶單元狀態(tài)后，就可以不斷計算輸出門的值，具體方程如下。

ot=σ(Woxt+Uoht-1+VoCt+bo)

(5)

ht=ot* tanh(Ct)

(6)

2 實驗過程

為了比較LSTM與RNN深度神經(jīng)網(wǎng)絡(luò)在情感分析方面的性能，這里設(shè)計了對比實驗，實驗數(shù)據(jù)來自Kaggle 的情感分類比賽UMICH SI650[14]，分別用LSTM與RNN網(wǎng)絡(luò)模型進行訓(xùn)練學(xué)習(xí)與預(yù)測，以分析對比這兩個模型的優(yōu)劣。

2.1 實驗環(huán)境介紹

本研究實驗硬件環(huán)境為中高性能PC；軟件環(huán)境主要基于Keras與Tensorflow的深度學(xué)習(xí)平臺，具體配置如表1所示。

表1 實驗環(huán)境具體配置

2.2 數(shù)據(jù)集準(zhǔn)備

本研究采用公開本情感分類數(shù)據(jù)集UMICH SI650，UMICH SI650數(shù)據(jù)集中的數(shù)據(jù)是從相關(guān)博客中抽取，每一行構(gòu)成一個句子。本實驗的目標(biāo)通過構(gòu)建模型進行訓(xùn)練，然后進行相應(yīng)測試，將測試集中每一個句子進行情感分析分類即“positive(正面)”和“negative(負(fù)面)”。UMICH SI650訓(xùn)練數(shù)據(jù)中有7 086個句子，已經(jīng)分別用“positive(正面)”和“negative(負(fù)面)”標(biāo)注，這里將其中80%數(shù)據(jù)作為訓(xùn)練集(共5 668條)，20%數(shù)據(jù)作為測試集(共1 418條)。

2.3 LSTM網(wǎng)絡(luò)模型的構(gòu)建

這里選用基于Python的深度學(xué)習(xí)庫Keras，因為Keras 提供現(xiàn)成的 LSTM 層構(gòu)造。模型經(jīng)過多次調(diào)優(yōu)，具體模型超參數(shù)如下。

(1)優(yōu)化器選擇

鑒于Adam優(yōu)化器能夠自動調(diào)整學(xué)習(xí)速率，收斂速度更快，因而一般在復(fù)雜網(wǎng)絡(luò)中優(yōu)化性能更好，這里選擇Adam優(yōu)化器。

(2)Epoch數(shù)量的選擇

如果epoch數(shù)量太少，網(wǎng)絡(luò)就沒有足夠的時間訓(xùn)練去尋找合適的參數(shù)，從而造成欠擬合；而epoch數(shù)量太多，則有可能導(dǎo)致網(wǎng)絡(luò)過擬合。通過多次實驗后，經(jīng)過了 10 個epoch 后，在測試集上的精度已經(jīng)趨向收斂，因此，這里選擇epoch為10。

(3)batch_size選擇

在實驗中，采用逐步增大batch_size方案，最后選擇模型達到收斂，并且訓(xùn)練時間最為合適的batch_size，因此，這里選擇batch_size為20。

2.4 LSTM網(wǎng)絡(luò)模型的情感分析訓(xùn)練與預(yù)測

LSTM網(wǎng)絡(luò)模型先以上述數(shù)據(jù)集的詞為單位進行分詞，并統(tǒng)計詞頻，然后將訓(xùn)練集中的句子描述為“詞-詞向量(embedding)”矩陣，再輸入到LSTM模型中進行訓(xùn)練，最后將模型在測試數(shù)據(jù)中進行情感分類預(yù)測。具體流程如圖2所示。

圖2 LSTM網(wǎng)絡(luò)模型的情感分析流程

通過上述模型構(gòu)建與超參數(shù)調(diào)優(yōu)后，此模型在UMICH SI650數(shù)據(jù)集上情感分析分類實驗，最終預(yù)測準(zhǔn)確率為99.0%，具體如圖3所示。

圖3 LSTM網(wǎng)絡(luò)模型情感分析預(yù)測精度

2.5 RNN網(wǎng)絡(luò)模型的情感分析訓(xùn)練與預(yù)測

為了進一步對比分析本研究LSTM模型的精度，這里再利用RNN模型在同一數(shù)據(jù)集即UMICH SI650數(shù)據(jù)集上也進行情感分析分類實驗，最終預(yù)測準(zhǔn)確率為98.8%，且模型訓(xùn)練時間比LSTM網(wǎng)絡(luò)更長，具體如圖4所示。

圖4 RNN網(wǎng)絡(luò)模型情感分析預(yù)測精度

3 結(jié)論

經(jīng)上述實驗驗證分析，LSTM深度神經(jīng)網(wǎng)絡(luò)比RNN網(wǎng)絡(luò)模型情感分析分類預(yù)測準(zhǔn)確率更高，且訓(xùn)練速度更快。證明基于LSTM深度神經(jīng)網(wǎng)絡(luò)的情感分析方法能更準(zhǔn)確地完成情感分析任務(wù)。

4 展望

基于LSTM深度神經(jīng)網(wǎng)絡(luò)的情感分析方法在單語言文本(如英文或中文)處理上有較好性能,但隨著互聯(lián)網(wǎng)上的信息資源逐漸呈現(xiàn)出多語言化的特點,如何利用LSTM深度神經(jīng)網(wǎng)絡(luò)相關(guān)模型解決跨語言的情感分析，這是下一步工作的研究重點。