陳閏雪，彭 龑，徐 蓮

(四川輕化工大學(xué) 計(jì)算機(jī)學(xué)院，四川 自貢 643000)

0 引 言

情感分析又稱意見挖掘，是對文本進(jìn)行處理、分析、抽取來挖掘文本的情感傾向。屬性情感分析屬于細(xì)粒度的情感分類任務(wù)，主要目的是識別上下文中某個(gè)屬性的情感極性，如積極、消極的情感。句子“the food is usually good but it certainly isn’t a relaxing place to go”中“food”屬性是積極的情感，而對于“place”是消極的情感，通過提取用戶對特定方面的反饋，反饋的信息有助于企業(yè)發(fā)現(xiàn)產(chǎn)品的具體缺陷，促使企業(yè)對產(chǎn)品的改進(jìn)。傳統(tǒng)的情感分類算法難以從同一文本中不同方面提取不同的特征。由示例句子可知，距離目標(biāo)近的詞對目標(biāo)的影響較大，與目標(biāo)相關(guān)聯(lián)的意見表達(dá)以塊的結(jié)構(gòu)形式出現(xiàn)。當(dāng)句子中包含多個(gè)目標(biāo)時(shí)，準(zhǔn)確的建模和提取這類結(jié)構(gòu)信息是非常關(guān)鍵的。

1 相關(guān)工作

屬性情感分類[1]需要同時(shí)考慮句子的上下文和目標(biāo)屬性的信息。傳統(tǒng)的機(jī)器學(xué)習(xí)方法是將情感分析作為一個(gè)文本分類任務(wù)，設(shè)計(jì)有效的特征提取方法訓(xùn)練分類。Manek等[2]提出基于基尼系數(shù)的支持向量機(jī)特征選擇的情感分析方法，到達(dá)較好的效果。Vo等[3]設(shè)計(jì)具體的情感詞嵌入和情感詞匯來提取特征，最后進(jìn)行預(yù)測分析。這些方法依賴特征工程的有效性，易達(dá)到性能的瓶頸。

近幾年，基于神經(jīng)網(wǎng)絡(luò)的方法可直接將原始特征編碼為連續(xù)和低維向量，而不需要復(fù)雜的特征工程。Tang等[4]提出TD-LSTM模型，采用LSTM對方面的左上下文和右上下文進(jìn)行建模，最后將左右的輸出拼接起來作為最后的預(yù)測輸出。該方法沒有考慮目標(biāo)實(shí)體的屬性，當(dāng)句子中存在多個(gè)目標(biāo)實(shí)體時(shí)，難以對其進(jìn)行精確的分類。

Chen等[5]加入注意力機(jī)制來加強(qiáng)各目標(biāo)屬性對分類的影響，關(guān)于注意力機(jī)制普遍采用求向量的均值來學(xué)習(xí)上下文的注意力權(quán)重。Ma等[6]在注意力機(jī)制的基礎(chǔ)上進(jìn)一步提出了雙向注意力機(jī)制，該機(jī)制額外學(xué)習(xí)注意力權(quán)重和上下文詞之間的關(guān)系。這類方法沒考慮到目標(biāo)屬性，會(huì)導(dǎo)致一些目標(biāo)屬性和上下文關(guān)聯(lián)的信息丟失。

針對以上問題，本文提出一種基于神經(jīng)網(wǎng)絡(luò)的多注意屬性情感分析模型。采用雙向長短時(shí)記憶網(wǎng)絡(luò)來提取上下文和目標(biāo)屬性的關(guān)聯(lián)，加入了一種位置編碼機(jī)制來捕捉與目標(biāo)相鄰詞的重要信息，結(jié)合位置編碼和內(nèi)容注意力來更好提取上下文和目標(biāo)屬性的情感分類。

2 情感分析模型

本文提出的模型結(jié)合了位置編碼和內(nèi)容注意力更加充分地學(xué)習(xí)不同屬性的情感特征信息。整體架構(gòu)如圖1所示，模型主要由輸入層、上下文層、多注意層和輸出層4部分組成。

2.1 任務(wù)定義

給出一個(gè)由n個(gè)詞組成的句子S={s1,s2,…,sn}和屬性方面列表A={a1,a2,…,ak}以及每個(gè)方面對應(yīng)的句子子序列ai={si1,si2,…,sim},m∈[1,n]，多屬性情感分析是對句子中多個(gè)特定屬性進(jìn)行情感極性分析。

2.2 模 型

2.2.1 輸入層

輸入層將數(shù)據(jù)集中的單詞映射到低維、連續(xù)和實(shí)值的詞向量空間，所有的詞向量被堆疊到一個(gè)嵌入矩陣Lw∈Rd*|V|，其中d為詞向量的維數(shù)，|V|為詞匯量。使用預(yù)先訓(xùn)練好的單詞向量“Glove”[7]來獲得每個(gè)單詞的固定嵌入。

2.2.2 上下文層

通過輸入層將單詞向量化，并將其作為上下文層的輸入。在上下文層使用雙向長短時(shí)記憶網(wǎng)絡(luò)[8](bidirectional long short-term memory，BiLSTM)來提取上下文和目標(biāo)的關(guān)聯(lián)，標(biāo)準(zhǔn)的RNN會(huì)遇到梯度消失或爆炸的問題，其中梯度可能在長序列上呈指數(shù)增長或衰減。所以用BiLSTM單元作為轉(zhuǎn)換函數(shù)，可以更好模擬序列中的長距離語義相關(guān)性。與標(biāo)準(zhǔn)的RNN相比，BiLSTM單元包含3個(gè)額外的神經(jīng)門：輸入門、遺忘門和輸出門。這些門可以自適應(yīng)記住輸入向量，忘記以前的歷史，生成輸出向量。BiLSTM的更新過程如下

(1)

(2)

(3)

(4)

(5)

(6)

2.2.3 多注意層

注意機(jī)制[9]是捕捉上下文和目標(biāo)詞之間相互作用的一種常用方法，普遍采用粗粒度注意機(jī)制來學(xué)習(xí)上下文和目標(biāo)方面的注意權(quán)重，簡單的求均值會(huì)帶來一些信息的損失，特別是對于多個(gè)目標(biāo)方面的句子。對此本文提出了一種細(xì)粒度的注意機(jī)制，通過BiLSTM網(wǎng)絡(luò)學(xué)習(xí)上下文和特征權(quán)重，結(jié)合位置權(quán)重來相互作用。實(shí)現(xiàn)步驟如下：

(1)上下文和目標(biāo)方面特征提取

對于輸入序列S={s1,s2,…,sn}通過BiLSTM提取目標(biāo)的上下文H∈2d*N和目標(biāo)屬性Q∈2d*M，如下所示

(7)

(8)

(2)上下文H更新

通過加入位置編碼機(jī)制對上下文H進(jìn)行更新，將式(7)聯(lián)合式(17)求出更新后的權(quán)重，捕捉位置信息和上下文之間的關(guān)聯(lián)

H=[H1*w1,H2*w2,…,HN*wN]

(9)

(3)求取上下文和目標(biāo)方面的交互矩陣

將BiLSTM提取的上下文和目標(biāo)方面的信息進(jìn)行矩陣的乘積，提取上下文目標(biāo)方面的關(guān)聯(lián)

I=H·QT

(10)

(4)對交互矩陣的行和列分別添加注意力分別得到α和β，然后在對它們求平均使其更加關(guān)注中心部分。計(jì)算公式如下所示

(11)

(12)

(13)

(14)

2.2.4 輸出層

將得到的注意力矩陣做內(nèi)積為m，然后將其輸入到一個(gè)確定情感極性的softmax層作為最終的輸出，計(jì)算如下所示

(15)

p=softmax(Wp*m+Bp)

(16)

其中，p∈C是目標(biāo)情感分類的概率分布,Wp,Bp分別是權(quán)重矩陣和偏置矩陣。其中設(shè)置C=3，代表積極、中性和消極。

2.3 多注意機(jī)制

2.3.1 位置編碼機(jī)制

本文加入了位置編碼機(jī)制來模擬觀察，如上下文單詞的權(quán)重wt和目標(biāo)屬性方面的距離為l，lmax表示句子的實(shí)際長度。計(jì)算公式如下

(17)

先將目標(biāo)屬性方面的單詞的權(quán)重設(shè)置為0，然后根據(jù)位置編碼機(jī)制[10]對上下文進(jìn)行初始化，這樣得到上下文輸出H=[H1*w1,H2*w2,…,HN*wN]。

2.3.2 強(qiáng)注意力機(jī)制

注意力機(jī)制主要是通過讓模型自動(dòng)的學(xué)習(xí)上下文和當(dāng)前屬性的關(guān)系，能夠挖掘出重要的特征屬性，為了更好學(xué)習(xí)上下文和目標(biāo)屬性的信息，本文提出一種強(qiáng)注意力機(jī)制。強(qiáng)注意力機(jī)制在注意力機(jī)制的基礎(chǔ)上再添加注意力，如式(11)～式(14)所示，分別再對行和列添加注意力機(jī)制，可以更加關(guān)注重要的部分。

2.4 模型訓(xùn)練

本文情感分析模型采用交叉熵?fù)p失函數(shù)，使用L2正則化避免過擬合問題。通過最小化損失函數(shù)來優(yōu)化模型對文本進(jìn)行屬性級情感分析任務(wù)，如下所示

(18)

其中，λ是L2正則化參數(shù)，θ是線性層和LSTM絡(luò)的權(quán)重矩陣，使用dropout以避免過度擬合。使用小批量隨機(jī)梯度下降算法來最小化模型中權(quán)重矩陣。

3 實(shí)驗(yàn)結(jié)果及分析

本文提出的模型在SemEval 2014數(shù)據(jù)集和twitter數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，通過引入預(yù)訓(xùn)練的Glove詞向量進(jìn)行詞嵌入，其中字典大小和訓(xùn)練的維度分別是1.9 MB和[25～300]維度。使用顯卡型號為Tesla T4，驅(qū)動(dòng)版本SIM為410.79，CUDA版本為10.0，顯存為15 G，Linux系統(tǒng)服務(wù)器，深度神經(jīng)網(wǎng)絡(luò)框架為Pytorch 1.1.0。

3.1 實(shí)驗(yàn)數(shù)據(jù)和參數(shù)配置

laptop、restaurant和twitter數(shù)據(jù)集分為積極、中性和消極3類標(biāo)記，按情緒極性分類的分布情況見表1。

表1 實(shí)驗(yàn)數(shù)據(jù)集

參數(shù)配置：從均勻分布U(-e,e),e=0.0001隨機(jī)初始化權(quán)重矩陣，并將所有的偏置項(xiàng)設(shè)置為0，L2正則化系數(shù)設(shè)置為0.0001，dropout設(shè)置為0.2，將每個(gè)英文詞匯訓(xùn)練成25～300維的向量。

3.2 方法對比

將本文的算法和以下4種模型在SemEval 2014和twitter數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，主要用準(zhǔn)確率來度量性能。

(1)LSTM模型主要用LSTM網(wǎng)絡(luò)對句子進(jìn)行建模，將最后一個(gè)隱藏狀態(tài)作為句子的最終分類。單一的LSTM模型對于一些特別的情感分類可以達(dá)到一定的效果，但是沒有考慮到上下文和目標(biāo)信息的關(guān)聯(lián)。

(2)TD-LSTM[3]模型使用兩個(gè)LSTM網(wǎng)絡(luò)進(jìn)行建模，分別提取句子的方面和上下文。然后將兩個(gè)LSTM網(wǎng)絡(luò)的隱藏狀態(tài)連接起來預(yù)測情感極性。

(3)AT-LSTM[11]模型主要是通過注意力機(jī)制來獲取上下文信息，在LSTM模型中加入注意力機(jī)制進(jìn)行語義建模對情感進(jìn)行分類。

(4)ATAE-LSTM[11]模型是AT-LSTM模型的擴(kuò)展，主要是在計(jì)算注意力權(quán)重的時(shí)候引入了特定目標(biāo)信息。

本文提出一種多注意神經(jīng)網(wǎng)絡(luò)模型，通過聯(lián)合注意力機(jī)制和位置編碼機(jī)制來挖掘上下文和目標(biāo)屬性的關(guān)聯(lián)，使模型能對多個(gè)目標(biāo)進(jìn)行情感分類。

3.3 實(shí)驗(yàn)結(jié)果分析

將本文提出的模型與4個(gè)基本模型(LSTM、TD-LSTM、AT-LSTM和ATAE-LSTM)進(jìn)行實(shí)驗(yàn)對比，將模型分別在SemEval 2014和twitter數(shù)據(jù)集上進(jìn)行訓(xùn)練和交叉驗(yàn)證。在本文的實(shí)驗(yàn)中，將文本映射成25～300維度詞向量，將SemEval 2014數(shù)據(jù)集(laptop和restaurant)和twitter數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果分別畫成柱狀圖如圖2～圖4所示，實(shí)驗(yàn)結(jié)果分別記錄見表2～表4。

表2 laptop數(shù)據(jù)集上不同文本維度的準(zhǔn)確率

表3 restaurant數(shù)據(jù)集上不同文本維度的準(zhǔn)確率

表4 twitter數(shù)據(jù)集上不同文本維度的準(zhǔn)確率

由圖2～圖4可知，本文提出的模型在SemEval 2014和twitter數(shù)據(jù)集上都取得了較好的效果。通過增加文本維度可以看出不同的算法呈線性增長，標(biāo)準(zhǔn)的LSTM算法在情感分類中只是對一個(gè)句子進(jìn)行分類，隨著文本維度的增加LSTM的分類準(zhǔn)確率沒有明顯的提升。相比LSTM算法，AT-LSTM和ATAE-LSTM算法都加入注意力機(jī)制，得到更好的分類精度。對于TD-LSTM算法提取上下文和目標(biāo)之間的關(guān)聯(lián)，可以挖掘出更多目標(biāo)的信息，從而得到更好的分類精度。

圖2 在laptop數(shù)據(jù)集上不同文本維度的準(zhǔn)確率

圖3 在restaurant數(shù)據(jù)集上不同文本維度上的準(zhǔn)確率

圖4 在twitter數(shù)據(jù)集上不同文本維度上的準(zhǔn)確率

本文的模型通過加入位置編碼機(jī)制和強(qiáng)注意力機(jī)制，使模型能夠更好捕捉上下文和目標(biāo)屬性方面的關(guān)聯(lián)，并且還可以突出不同位置的單詞對屬性的影響程度。相對采用單向LSTM模型的ATAE-LSTM，本文采用的是雙向長短時(shí)記憶模型，這樣可以更好提取上下文特征。在SemEval 2014數(shù)據(jù)集(laptop和restaurant)和twitter數(shù)據(jù)集不同領(lǐng)域的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，分類準(zhǔn)確率分別到達(dá)72.45%、80.17%和73.39%。

如圖5所示模型在25維度～300維度上，隨著維度的增加基本呈線性增長。加入了注意力機(jī)制的AT-LSTM，ATAE-LSTM算法比LSTM算法在不同維度上分類的準(zhǔn)確率都要高，加入注意力機(jī)制提高了對目標(biāo)信息的挖掘。相比AT-LSTM，ATAE-LSTM算法，ATAE-LSTM算法加入特定目標(biāo)的信息，得到更多的上下文和目標(biāo)的關(guān)聯(lián)，增加了分類的準(zhǔn)確率，但是對于多目標(biāo)分類時(shí)準(zhǔn)確率較差。LSTM、AT-LSTM和ATAE-LSTM算法都使用單向LSTM，TD-LSTM使用雙向LSTM能夠更好提取上下文和目標(biāo)之間的關(guān)聯(lián)，使情感分類的準(zhǔn)確率更高。本文的算法使用雙向LSTM，添加注意力機(jī)制來挖掘上下文和目標(biāo)之間的關(guān)聯(lián)，添加位置編碼機(jī)制，挖掘出相鄰詞匯的重要性。將注意力機(jī)制和位置編碼機(jī)制結(jié)合進(jìn)行建模，解決了對句子中多個(gè)目標(biāo)屬性作出比較好的情感分類。

圖5 在laptop、restaurant和twitter數(shù)據(jù)集上準(zhǔn)確率對比

如圖6展示了本文算法在數(shù)據(jù)集laptop、restaurant和twitter上訓(xùn)練過程中損失函數(shù)的變化情況，從圖中可以看出模型迭代20 000次以后基本收斂，說明算法的可行性。

圖6 本文算法在laptop、restaurant和twitter數(shù)據(jù)集上訓(xùn)練的損失函數(shù)

3.4 可視化注意力機(jī)制

為了更好理解本文提出多屬性情感分類的模型。通過對一句話進(jìn)行權(quán)重可視化，其中顏色越深代表權(quán)重越大，如圖7所示為測試集中的一條句子，其中有兩個(gè)方面“reso-lution”和“fonts”，每一個(gè)方面整個(gè)句子中其它詞的權(quán)重都是不一樣的。

圖7 可視化注意力權(quán)重

4 結(jié)束語

在處理序列的問題上，循環(huán)神經(jīng)網(wǎng)絡(luò)有更好的效果，本文提出的模型加入了雙向長短時(shí)記憶來挖掘上下文和目標(biāo)之間的關(guān)聯(lián)，比單向的長短時(shí)記憶有更好的效果，通過將強(qiáng)注意力機(jī)制和位置編碼機(jī)制相結(jié)合進(jìn)行建模，可以更好挖掘上下文、目標(biāo)屬性和目標(biāo)相鄰詞間的聯(lián)系，相比一般的模型有更好的分類準(zhǔn)確率。

本文在注意力模型中加入了位置信息、上下文和文本內(nèi)容的關(guān)聯(lián)。使用深度模型(如BiLSTM)隱式地捕捉上下文和內(nèi)容之間的關(guān)聯(lián)，再結(jié)合位置信息捕捉相鄰詞間的依賴關(guān)系，構(gòu)建出能夠?qū)Χ鄠€(gè)目標(biāo)對象進(jìn)行情感分析的模型。實(shí)驗(yàn)結(jié)果表明本文提出的模型在SemEval 2014數(shù)據(jù)集和twitter數(shù)據(jù)集效果較好。

本文的貢獻(xiàn)：

(1)在模型中加入了位置編碼機(jī)制，挖掘出與目標(biāo)詞相鄰詞匯的重要信息。

(2)聯(lián)合強(qiáng)注意力機(jī)制和位置編碼機(jī)制進(jìn)行建模，提出一種基于神經(jīng)網(wǎng)絡(luò)的多注意屬性情感分析模型對多個(gè)目標(biāo)屬性進(jìn)行情感分析。

(3)在SemEval 2014(laptop和restaurant)和Twitter數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)得到了較好的分類效果。