基于BiLSTM-CNN-ATT 的方面级情感分析

成 璐，曹小凤

（太原工业学院计算机工程系，山西太原 030008）

0 引言

随着社交网络和电商网站的快速发展，网上产生了大量评论文本，如何从这些评论文本中挖掘用户的情感信息成为研究热点。

方面级情感分析（Aspect-Based Sentiment Analysis，ABSA）作为细粒度情感分析［1］，可以挖掘用户更深层次的情感信息。给定一个句子和所涉及的方面，方面级情感分析旨在预测句子中关于不同方面的情感极性（如积极、消极、中立）。方面级情感分析包含两个子任务：①ACSA（As⁃pect-Category Sentiment Analysis，ACSA），方面类别预先给定，预测句子中与方面类别相关的情感极性［2］；②ATSA（Aspect-Term Sentiment Analysis，ATSA），方面实体属于句子的一部分，预测句子中关于方面实体的情感极性，如“The pizza was pretty good and huge”，该句子对于给定方面类别“food”的情感极性为积极，句子中方面实体“pizza”的情感极性为积极。

在过去的研究中，通常采用传统的机器学习方法进行方面级情感分析，如SVM［3-5］，这类方法往往依赖复杂的特征工程，费时费力。随着神经网络的出现，其强大的自主学习和特征表示能力［6］使得它在方面级情感分析中备受青睐。循环神经网络（Recurrent Neural Network，RNN）在方面级情感分析应用中最为普遍，如Tang 等［7］提出TC-LSTM和TD-LSTM 模型，利用长短期记忆网络（Long short Term Memeroy，LSTM）进行目标依赖情感分析，通过LSTM 获取上下文语义信息，但其无法识别上下文中与特定方面相关的情感词的关联程度，容易造成梯度爆炸或消失问题。之后注意力机制（Attention Mechanism）应用于方面级情感分析，其可以加强文本中情感词的关注度，提高情感分析准确率。如Wang［8］等提出ATAE-LSTM 模型，利用基于注意力机制的LSTM 进行方面级情感分析。……