用于面向目标的情感分析的分级预测策略

王卫红，吴 成

(浙江工业大学 计算机科学与技术学院，浙江 杭州 310023)

面向目标的情感分析的主要任务是给定句子中的目标词，判断该目标词在当前句子中的情感极性。以句子“the food is good but the service is bad.”为例，在该句子中存在两个目标词“food”和“service”，这两个目标词在句子中的情感极性分别为正向与负向，在该任务上，神经网络的模型已经达到了较高的准确率。大部分神经网络模型都使用了注意力机制来捕捉目标与上下文的关系，但是注意力机制捕捉的词级别的特征可能会引入一些噪音。以“the dish tastes bad but its vegetable is delicious though it looks ugly.”为例，基于注意力机制的模型会在“bad”和“ugly”这些词上分配较大的权重。可以使用一种分层预测的策略来解决这个问题。将任务分为两个阶段：首先给所有的词分配一个软标签来标记该词作为意见词的概率，然后将所有标记的意见词的软标签作为特征来判断目标的情感极性。由于日常生活中人们语言使用非常自由，目标词的情感词在前后都可能出现，并且随着语境的变化相同的情感词有可能表达不同的情感，因此需要对词进行灵活的向量嵌入。笔者使用Bert对该过程建模，计算每个词的软标签概率[1]。卷积层在捕捉局部特征上有较好的表现[2]，不仅在图像处理上有很好的效果[3-5]，在文本分类上相对于其他神经网络效果也较好，因此使用卷积神经网络提取局部特征。此外，词语与目标词的距离也是一个重要特征，离目标词越近越可能是该目标的意见词，因此引入位置权重来捕捉该特征。……