基于敏感信息主題的情感分析技術(shù)研究

姚海申

摘要：本文提出了一種基于敏感信息主題的情感分析技術(shù)，以快速、有效地實(shí)現(xiàn)人們對某一輿情事件的情感傾向的判定。

關(guān)鍵詞：情感分析;輿情;神經(jīng)網(wǎng)絡(luò)

一、情感分析研究方法綜述

情緒分析（Sentiment analysis）或意見挖掘（opinion mining）[1]是對人們對產(chǎn)品、服務(wù)、組織、個(gè)人、問題、事件、主題及其屬性等實(shí)體的看法、情緒、評價(jià)和態(tài)度的計(jì)算研究，該領(lǐng)域開創(chuàng)和快速發(fā)展與網(wǎng)絡(luò)上出現(xiàn)的大量社交媒體密切相關(guān)，例如，新聞評論、論壇討論、博客、微博、Twitter和社交網(wǎng)絡(luò)等。

目前，常用的文本情感分析方法大致可分為三類：基于情感詞典和規(guī)則的方法、基于機(jī)器學(xué)習(xí)的方法以及基于深度學(xué)習(xí)的方法。

基于情感詞典的文本情感分析方法首先識別文本中的情感詞，然后根據(jù)現(xiàn)有的情感詞典計(jì)算情感詞的情感傾向。最后，使用預(yù)先制定的計(jì)算規(guī)則計(jì)算文本的最終情感傾向，這類方法的關(guān)鍵在于構(gòu)建一個(gè)精確而全面的情感詞典?；谇楦性~典的方法太過于依賴人工構(gòu)建情感詞典，如何設(shè)計(jì)一種有效的自動(dòng)情感詞典構(gòu)建方法是該方法需要解決的問題之一。

基于機(jī)器學(xué)習(xí)的方法在文本情感分析研究中使用較為廣泛，其不依賴于情感詞典，且具有多種自動(dòng)特征提取方法?；跈C(jī)器學(xué)習(xí)的方法的分類性能在很大程度上取決于所選擇的特征提取方法，因此，在使用基于機(jī)器學(xué)習(xí)的方法時(shí)，提取有效特征成為關(guān)鍵任務(wù)。

基于上述對情感分析技術(shù)的分析，本文將基于深度學(xué)習(xí)方法對情感分析技術(shù)進(jìn)行研究。

二、融合敏感信息主題的情感分析技術(shù)

（一）研究方法

對于敏感事件主題的提取，已在文獻(xiàn)[10]中進(jìn)行了詳細(xì)研究，本文將在敏感事件主題的基礎(chǔ)上進(jìn)行事件內(nèi)部文本的情感傾向性研究，提出了一種融合敏感信息主題的文本情感分析模型（Sensitive Information Topics-Based Sentiment Analysis Model，SITSAM）。

此模型將敏感事件主題詞融入到文本表示學(xué)習(xí)中，以進(jìn)行有效的情感描述主體的捕捉。此外，為了更好的挖掘帶有情感傾向的詞對句子情感傾向性的貢獻(xiàn)程度，本文將注意力機(jī)制引入到神經(jīng)網(wǎng)絡(luò)中，以計(jì)算在特定主題下的詞對句子的情感貢獻(xiàn)。

本模型以詞的詞向量作為輸入，輸入到BiLSTM（Bidirectional Long-Short Memory Network）句子編碼器中進(jìn)行學(xué)習(xí)，以得到句子的向量化表示，然后使用softmax函數(shù)對句子情感進(jìn)行判別。為了將敏感事件主題信息融入到句子的表示中，本文以以下方式進(jìn)行融合：

在進(jìn)行某一敏感事件主題下的文本情感分析時(shí)，將該主題的主題描述詞的詞向量作為BiLSTM神經(jīng)網(wǎng)絡(luò)的輸入，然后對隱層輸出使用Average-Pooling層來聚合主題詞所有隱層輸出以產(chǎn)生單個(gè)主題表示，的計(jì)算如下：

（1）最終將得到的主題描述與句子中每個(gè)詞的輸出進(jìn)行語義連接，得到每個(gè)詞的最終語義表示：

（2）然后對得到的詞的語義表示進(jìn)行注意力權(quán)重的計(jì)算，以提高情感詞對句子的情感貢獻(xiàn)。

最后將得到的文本表示s輸入到softmax層，該層通過sigmoid函數(shù)來計(jì)算出文本情感傾向概率。

（二）結(jié)果分析

為了驗(yàn)證本文所提出模型的有效性，本文以支持向量機(jī)（SVM）算法、FastText、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短期記憶網(wǎng)絡(luò)（LSTM）、雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）及本文方法SITSAM進(jìn)行對比實(shí)驗(yàn)。本文采用在分類方法中使用廣泛的準(zhǔn)確率P、召回率R及F1值進(jìn)行結(jié)果的評價(jià)。結(jié)果顯示模型在準(zhǔn)確率、召回率及F1值上都較其他模型要好，對于正向類的識別準(zhǔn)確率達(dá)到了90.83%，對于負(fù)向類更是達(dá)到了91.27%的準(zhǔn)確率，其結(jié)果均比其他模型要好，可以看出情感詞語義的融入及注意力機(jī)制的加入對情感傾向性的判定效果具有明顯的提升，驗(yàn)證了本文方法的有效性。

三、結(jié)語

本文所提出的情感分析模型以長短期記憶（Long-Short Term Memory ，LSTM）網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行改進(jìn)優(yōu)化，由于本文所進(jìn)行的情感分析任務(wù)是在特定敏感信息主題下進(jìn)行，所以本文將主題語義信息與文本語義通過神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，以更好的識別描述主體。實(shí)驗(yàn)結(jié)果表明具有較好的情感分類效果，能夠有效的對公眾的態(tài)度和見解進(jìn)行情感分析，以幫助政府機(jī)構(gòu)了解公眾意向和社會輿情。

參考文獻(xiàn)：

[1] Liu Bing. Sentiment analysis and opinion mining[J]. Synthesis lectures on human language technologies， 2012， 5（1）： 1～167.

[2]Pang B，Lee L，Vaithyanathan S. Thumbs up？ sentiment classification using machine learning techniques[C]. In： Proceedings of Cnference on Empirical methods in natural language processing. Philadelphia： [s.n.]，2002： 79-86.

[3]Pang B，Lee L. Seeing stars： Exploiting class relationships for sentiment categorization with respect to rating scales. In： Knight K， ed. Proc. of the Association for Computational Linguistics （ACL）. Morristown： ACL，2005. 115-124.

[4]Goldberg A B，Zhu X. Seeing stars when there aren't many stars： graph-based semi-supervised learning for sentiment categorization[C]. In： The Workshop on Graph Based Methods for Natural Language Processing. Association for Computational Linguistics，2006：45-52.