融合多特征的分段卷积神经网络对象级情感分类方法

周 武,曾碧卿,徐如阳,杨 恒,韩旭丽,程良伦

(1. 华南师范大学 计算机学院，广东 广州510631；2. 华南师范大学 软件学院，广东 佛山 528225;3. 广东省信息物理融合系统重点实验室，广东 广州 510006)

0 引言

情感分类是自然语言处理领域中一个常见的任务，旨在挖掘人们在文本中所表达观点情感倾向的类别[1]。主要研究集中在对篇章级别、句子级别和对象级别的情感分类任务上[2]。其中，对象级情感分类是一种相对比较细粒度的分类问题，旨在判断句子中对某个特定对象的情感类别。例如，“这台笔记本电脑的功能很强大，但价格太高了！”，该任务需要针对对象 “功能”判断正向的情感类别，以及针对对象 “价格”判断负向的情感类别。

基于深度学习的方法能够自动提取文本的语义特征，避免了人工提取特征繁琐的过程，因此该方法广泛应用于自然语言处理的各个研究领域，如词性标注[3]、问答系统[4]、机器翻译[5]等。在对象级情感分类问题的研究中，以往的方法大多利用长短时记忆网络(long short-term memory network，LSTM)具有捕捉序列特征的能力或者在LSTM的基础上融入注意力机制(attention mechanism)来对分类任务进行建模。其中，Tang 等人[6]提出TD-LSTM模型，该模型使用预训练词向量表示单词，根据对象在句子中的位置，利用LSTM提取对象的上下文特征作为最终的句子表示。Wang等人[7]提出ATAE-LSTM模型，其认为不同的词将会对分类的结果产生不同程度的影响，作者在LSTM的基础上引入注意力机制计算每一个词的注意力权重，为句子中对情感极性分类起到重要作用的形容词、词组等分配较大的权重。……