中文彈幕情感分析

文/王淮

1 引言

網(wǎng)絡的不斷發(fā)展催生了多媒體技術的廣泛應用，一新的視頻評論方式開始逐漸流行。。不同于傳統(tǒng)的視頻評論，具有長篇幅、基于視頻整體的特點，彈幕數(shù)據(jù)一般比較短而且具有時序性，所表達出來的視頻情感趨勢和觀點會更豐富、更具有參考性。用戶可以通過彈幕系統(tǒng)發(fā)布與視頻情節(jié)內(nèi)容相關的評論，也可以根據(jù)彈幕了解潛在的劇情。研究彈幕數(shù)據(jù)中蘊含的情感，可以幫助用戶更愉快的觀看視頻，而且可以為相關商業(yè)機構提供更準確的用戶偏好調(diào)查解決方案。由于彈幕數(shù)據(jù)的復雜和誕生時間相對短暫，關于中文彈幕的分析研究還不夠充分，也沒有很好地進行商業(yè)利用，因此本文將從彈幕定義、數(shù)據(jù)預處理、情感分析和總結(jié)五個方面對中文彈幕情感分析的研究現(xiàn)狀進行介紹和分析，希望能夠推進中文彈幕情感分析的進程。

2 彈幕定義

彈幕指的是從屏幕自右向左劃過或停留在頂部、底部等的文字。彈幕一詞源自日本，原意指對目標進行密集炮擊。彈幕起源于日本niconico，國內(nèi)AcFun率先引進，并隨著彈幕系統(tǒng)越來越完善，國內(nèi)主流的視頻平臺如BiliBili（以下簡稱B站）、騰訊視頻、優(yōu)酷、愛奇藝等以及直播平臺如斗魚、虎牙等也都開通了彈幕服務，一時之間彈幕如春筍般一涌而出。

3 數(shù)據(jù)預處理

3.1 數(shù)據(jù)特點

莊須強等人[4]認為彈幕評論帶有時間標簽信息，是針對當前播放內(nèi)容的評論。彈幕數(shù)據(jù)是依附在視頻上由觀看者參與討論產(chǎn)生的，具有時間序列的特征。彈幕評論是網(wǎng)絡用戶自發(fā)產(chǎn)生的，具有獨特的風格，區(qū)別于傳統(tǒng)的中文字詞，含有諸多口語化、諧音的網(wǎng)絡詞語以及表情等。一般而言，單條彈幕長度有限，不會出現(xiàn)類似豆瓣、爛番茄等影評長則上千字的評論。對于視頻整體而言，彈幕分布稀疏的，而在某些關鍵情節(jié)會出現(xiàn)爆發(fā)式的增長，具有整體稀疏，局部密集的特點。

3.2 數(shù)據(jù)格式

莊須強等人[2]和鄧揚等人[3]都將彈幕定義為一個由彈幕內(nèi)容、彈幕發(fā)送時間和用戶ΙD組成的三元組。通過對彈幕的提取，進行了相關的彈幕情感分析。以B站彈幕內(nèi)容為例，彈幕格式是一個八元組，包括彈幕出現(xiàn)時間，彈幕的類型，彈幕的大小，彈幕的字體顏色，彈幕的發(fā)布時間，彈幕池，彈幕發(fā)送者ΙD，彈幕的rowΙD。

3.3 數(shù)據(jù)處理

圖1：中文彈幕情感分析流程

在鄧揚等人[3]文中，首先對視頻片段進行切分，然后提取片段中的彈幕序列，進行文本預處理后對詞語進行了編號化處理。莊須強等人[4]對彈幕中每個不同的詞都用一個對應的向量表示，建立情感詞典，以此去除深度學習可能出現(xiàn)的高緯度、梯度消失等問題。洪慶等人[1]對彈幕中的網(wǎng)絡流行詞建立了特定詞典，對彈幕數(shù)據(jù)用詞進行詞性分析；對數(shù)據(jù)中的顏文字、表情則編寫了正則語句，識別后刪除。

3.4 彈幕詞典

彈幕詞典不同于傳統(tǒng)的漢字字典，其來源廣泛，具有多樣性和時效性。彈幕詞典從來源分析主要由兩部分組成，一部分是沒有意義的詞匯，由于社會的發(fā)展和從視頻的臺詞中演化出來的，另一部分是原本有確切含義的詞，出現(xiàn)了新的含義。彈幕詞典從成分分析有兩部分組成，一部分是網(wǎng)絡流行語，另一部分則是專屬于視頻領域的彈幕專用詞匯，如“打卡”、“火鉗劉明”等，只會在彈幕中出現(xiàn)。因此對于構建彈幕詞典需要不斷地更新和廣泛的吸收。

3.5 彈幕分詞

不同于一般的NLP分詞，彈幕文本具有口語化、頻繁重復、句子較短的特點，需要構建特殊停用詞表。王素格等人[5]通過實驗發(fā)現(xiàn)是否有形容詞、動詞等的停用詞表，對情感分類的影響較大。熊文新等人[6]總結(jié)了停用詞過濾在信息檢索用戶查詢語句中的使用情況。一般來說專業(yè)停用詞表是基于統(tǒng)計的自動學習方法，從語料庫中統(tǒng)計出高頻停用詞，然后構建停用詞表，之后再由專人進行核查[7]。

4 情感分析

4.1 構建彈幕情感詞典

彈幕具有口語化和文本較短的特點，一般的中文情感詞典只是對生活中的詞語進行劃分,沒有考慮到彈幕的特點 因此需要專業(yè)的詞典。徐琳宏等人[9]在提出了一種情感分類樹,將情感分類為7類，這7類分別是: 樂，好，怒，愁，驚，惡和懼。樂和好屬于積極情感，其他的屬于消極情感。

4.2 情感分析模型

4.2.1 MTER算法

鄧揚等人[3]認為彈幕的詞分布可視作一個概率模型，在同一個視頻片段中的詞相互之間具有情感依賴，因此提出一種基于多主體的視頻片段情感識別(Multi—Topic Emotion Recognition，MTER)算法。

MTER利用每個詞的隱含情感主題分布來評估詞的情感值，并用情感向量表示彈幕。由于視頻片段的情感具有傳遞性，歸屬于同一個視頻中的視頻片段具有一定的情感相關性和相似性，尤其是時間相隔較近的片段，因此作者還對視頻片段情感向量進行了調(diào)整。

4.2.2 AT-LSTM 模型

莊須強等人[4]分析了多種機器學習模型在聚類時的優(yōu)劣勢，最后使用了基于Attention Model 的AT-LSTM 模型。AT-LSTM模型能夠有效的避免長期依賴問題，防止有用數(shù)據(jù)信息丟失，并且能突顯關鍵評論詞，降低非關鍵詞對彈幕情感帶來的影響。

4.2.3 計算情感值

鄭飏飏等人[8]認為只考慮情感詞的分類不夠全面,還要考慮到否定詞的影響。杜振雷等人[10]在微博短文本的情感分析研究中指出,否定詞會對情感值計算產(chǎn)生相反的影響。因此在計算情感值時，需要注意彈幕評論中是否夾雜著否定詞，再進行計算。

5 總結(jié)

通過對中文彈幕情感分析的研究，本文將中文彈幕情感分析流程一般化為圖1所示。首先構建彈幕詞典，以此來支持文本預處理模塊，經(jīng)過彈幕分詞、詞性標注、人工篩選等過程生成情感詞典，利用情感詞典對彈幕進行情感分析，并保存到數(shù)據(jù)庫中。用戶可以通過客戶端查詢，選擇自己偏好的視頻，實現(xiàn)彈幕情感分析的價值。