基于長短期記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行評論文本分析

張益茗 朱振宇 劉恩彤 張瀟予

（1、東北電力大學(xué) 計(jì)算機(jī)學(xué)院，吉林 吉林132012 2、哈爾濱商業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，黑龍江 哈爾濱150000 3、中央財(cái)經(jīng)大學(xué) 金融學(xué)院，北京100081）

1 Word2vec 詞嵌入技術(shù)原理

自然語言指的是自然地隨文化演化的語言，并形成了一個(gè)能夠表達(dá)復(fù)雜含義的系統(tǒng)。在這個(gè)系統(tǒng)中，詞或子是語義的基本單元。在NLP 領(lǐng)域，人們使用詞向量來表征詞的特征向量，而詞嵌入技術(shù)即是將詞映射到實(shí)數(shù)域向量的技術(shù)。

假設(shè)一套自然語言系統(tǒng)中不同詞的數(shù)量為N，則每一個(gè)詞都和一個(gè)0～N-1 之間的整數(shù)一一對應(yīng)，記為詞的索引。為構(gòu)建詞的獨(dú)熱編碼向量，我們構(gòu)建一個(gè)長度為N 的全0 向量，并將索引為i 的詞的第i 位置1（i 是0～N-1 之間的整數(shù)），使得每個(gè)詞和一個(gè)長度為N 的向量一一對應(yīng)。

訓(xùn)練詞嵌入模型的目標(biāo)是獲取目標(biāo)本文中的周圍單詞的有用的單詞表示。即給定一系列訓(xùn)練單詞w1，w2......，wT，其目標(biāo)函數(shù)如公式（1）所示。

其中c 表示訓(xùn)練上下文的大小，一般而言，c 越大訓(xùn)練效果越好，但是相應(yīng)的訓(xùn)練時(shí)間越長。

2 長短期記憶神經(jīng)網(wǎng)絡(luò)原理

長短期神經(jīng)網(wǎng)絡(luò)（LSTM）：

長短期神經(jīng)網(wǎng)絡(luò)（LSTM）是遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的一種，它能夠從之前的階段中記住值以供未來使用。在深入了解LSTM以前，我們需要先簡單討論一下神經(jīng)網(wǎng)絡(luò)的概況。

（1）人工神經(jīng)網(wǎng)絡(luò)

一個(gè)神經(jīng)網(wǎng)絡(luò)至少包含三層，分別為：輸入層、隱藏層和輸出層。數(shù)據(jù)集中特征的數(shù)量決定了輸入層中的維度或者節(jié)點(diǎn)數(shù)量，這些節(jié)點(diǎn)通過叫做“突觸”的鏈接和隱藏層中創(chuàng)建的節(jié)點(diǎn)相連。對于每個(gè)輸入層的節(jié)點(diǎn)，每個(gè)鏈接都帶著一些權(quán)重。這些權(quán)重主要是用來決定哪些輸入或信號可能通過或不通過，同時(shí)這些權(quán)重也體現(xiàn)了隱藏層的強(qiáng)度或程度。一個(gè)神經(jīng)網(wǎng)絡(luò)主要是通過調(diào)整各個(gè)突觸的權(quán)重來進(jìn)行學(xué)習(xí)。

（2）遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）

遞歸神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一個(gè)特例，其目標(biāo)是預(yù)測下一步相對于序列中觀察到的先前步驟，背后的思想是利用連續(xù)觀測并從早期階段學(xué)習(xí)來預(yù)測未來趨勢。因此，在猜測下一步時(shí)，需要記住早期階段的數(shù)據(jù)。

遞歸神經(jīng)網(wǎng)絡(luò)的另一大特點(diǎn)是權(quán)重值共享。在RNNs 中，隱藏層充當(dāng)內(nèi)部存儲器，用于存儲在讀取順序數(shù)據(jù)的早期階段捕獲的信息。而稱之為“遞歸”（Recurrent）是因?yàn)樗鼈儗π蛄械拿總€(gè)元素執(zhí)行相同的任務(wù)，并具有利用先前捕獲的信息預(yù)測未來看不見的連續(xù)數(shù)據(jù)的特征。具體的向前傳播公式如下：

其中，W1，W2，W3 是神經(jīng)網(wǎng)絡(luò)的三組參數(shù)，分別表示輸入層和隱藏層間的連接權(quán)重、上一時(shí)刻隱藏層與下一時(shí)刻隱藏層間的連接權(quán)重，以及隱藏層和輸出層之間的連接權(quán)重。a 則表示匯集計(jì)算的值，b 表示激活函數(shù)計(jì)算出來的值，w 是節(jié)點(diǎn)間的連接權(quán)重，t 表示時(shí)刻，h 下標(biāo)表示隱藏層，k 下標(biāo)表述輸入層。公式（2）表示隱藏層神經(jīng)元的匯集計(jì)算，其中其意項(xiàng)是輸入層傳入的數(shù)據(jù)，第二項(xiàng)則表示上一時(shí)刻的隱藏層的輸出對當(dāng)前時(shí)刻造成的影響。這一個(gè)公式是遞歸神經(jīng)網(wǎng)絡(luò)的核心，在其訓(xùn)練的算法中也有體現(xiàn)。公式（3）表示隱藏層向輸出層傳送的值，公式（4）表示輸出層的匯集計(jì)算，這兩部分和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)沒有差異。

總之，遞歸神經(jīng)網(wǎng)絡(luò)可以通過反向傳回權(quán)重信息來進(jìn)一步訓(xùn)練網(wǎng)絡(luò)，從而獲得更好的模型。但是，一般的RNN 網(wǎng)絡(luò)只記得序列中的幾個(gè)早期步驟，而不適合記憶更長的數(shù)據(jù)序列，這個(gè)問題會在下面介紹長期短期記憶循環(huán)網(wǎng)絡(luò)時(shí)，使用“存儲線”進(jìn)行解決。

（3）長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）

長短期記憶網(wǎng)絡(luò)是一種特殊的神經(jīng)網(wǎng)絡(luò)，具有記憶數(shù)據(jù)序列的功能。它可以通過一些伴隨著一條記憶線的門來實(shí)現(xiàn)對數(shù)據(jù)早期趨勢的記憶。

每個(gè)LSTM都是一套單元或系統(tǒng)模塊，并捕獲其中經(jīng)過的數(shù)據(jù)流。這些單元類似于一條輸送線，從一個(gè)模塊連接到另一個(gè)模塊，傳送過去的數(shù)據(jù)并收集當(dāng)前的數(shù)據(jù)。由于在每個(gè)單元中都使用的了一些門，所以可以對每個(gè)單元中的數(shù)據(jù)進(jìn)行處理、過濾或添加到下一個(gè)單元。因此，這些門基于sigmoid 函數(shù)的神經(jīng)網(wǎng)絡(luò)層，可以使得這些單元能夠選擇性地允許數(shù)據(jù)通過或處理數(shù)據(jù)。

3 實(shí)驗(yàn)

【數(shù)據(jù)來源】本文使用斯坦福大學(xué)提供的大規(guī)模電影評論數(shù)據(jù)集（Stanford's Large Movie Review Dataset,IMDb）[3]，它包含了電影評論網(wǎng)站IMDB 中的50000 余條評論，其中每部電影下的評論不超過30 條，且標(biāo)記為“正面情感”和“負(fù)面情感”的評論數(shù)相等。因此，對評論進(jìn)行隨機(jī)情感分析，準(zhǔn)確率被為50%。該數(shù)據(jù)集排除了中性評價(jià)，即其中的評論全部是情感高度兩極化的?？偡譃?0 分，負(fù)面評價(jià)的分?jǐn)?shù)小于等于4 分，正面評價(jià)的分?jǐn)?shù)大于等于7 分。實(shí)驗(yàn)中，我們?nèi)∑渲幸话霝橛?xùn)練集，另一半為測試集。

【構(gòu)建LSTM訓(xùn)練網(wǎng)絡(luò)】本文利用Keras 擴(kuò)展庫搭建LSTM結(jié)構(gòu)。Keras 是一個(gè)Python 深度學(xué)習(xí)框架，可以方便地定義和訓(xùn)練幾乎所有類型的深度學(xué)習(xí)模型，且具有用戶友好的API，可以快速開發(fā)深度學(xué)習(xí)模型的原型。Keras 的主要模型是Sequential（），用戶可以通過調(diào)用add()去便捷地堆疊自己需要的網(wǎng)絡(luò)層，進(jìn)而構(gòu)成一個(gè)整體的模型。

具體的結(jié)構(gòu)如下：

第一層：利用word2vec 技術(shù)將詞語映射成128 維向量，進(jìn)行特征提取。

第二層：LSTM模塊。具體步驟為：首先，將提取的特征放入輸入單元，再將數(shù)據(jù)流從輸入單元送入隱藏單元，同時(shí)將另一條數(shù)據(jù)流從隱藏單元送到輸出單元。隱藏單元即神經(jīng)網(wǎng)絡(luò)的記憶單元。對一個(gè)隱藏單元，使用xt表示第t 步的輸入，則目前單元的激活值s=f（Uxt+Wst-1）。其中，f 表示激活函數(shù)，本實(shí)驗(yàn)中使用ReLU。第t 步的輸出經(jīng)softmax 層計(jì)算得到。

本文的模型訓(xùn)練過程以及預(yù)測過程可以概括為：

（1）提取相關(guān)數(shù)據(jù)的特征向量，獲得訓(xùn)練數(shù)據(jù)。

（2）將訓(xùn)練集中的數(shù)據(jù)分批次輸入到設(shè)定好的模型中，不斷更新網(wǎng)絡(luò)機(jī)構(gòu)中各個(gè)節(jié)點(diǎn)之間的連接權(quán)重，以最小化損失函數(shù)的值為目標(biāo)來盡可能降低真實(shí)值和擬合值之間的誤差，從而學(xué)習(xí)到輸入變量和輸出變量間的非線性特征。

（3）保存訓(xùn)練好的模型參數(shù)，將測試集中的數(shù)據(jù)輸入到完成訓(xùn)練的模型中，得出相應(yīng)的預(yù)測值，并于測試集中真實(shí)標(biāo)注的結(jié)果進(jìn)行比對，得到準(zhǔn)確率。

具體的參數(shù)如表1 所示：

表1 LSTM 電影評論文本LSTM 情感分析模型的參數(shù)

【實(shí)驗(yàn)結(jié)果】本文按照上一章所述流程搭建了評估電影評論文本數(shù)據(jù)的LSTM模型，共迭代600 次，實(shí)驗(yàn)結(jié)果如下表2 所示：

表2 給出了本文實(shí)驗(yàn)結(jié)果，以及在特定迭代步驟下的LSTM 模型訓(xùn)練損失值、訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率，可以看出。LSTM模型在600 次迭代內(nèi)的最高準(zhǔn)確率為86.97%，且訓(xùn)練損失和訓(xùn)練準(zhǔn)確率始終保持在正常值，說明LSTM模型有效避免了過擬合和梯度消失的問題。

表2

4 結(jié)論

本文首先介紹了文本分析研究的背景以及相關(guān)的研究，接著介紹了詞嵌入技術(shù)和LSTM的原理，接下來基于大規(guī)模電影評論文本進(jìn)行基于LSTM模型的情感分析實(shí)驗(yàn)，從實(shí)證的角度體現(xiàn)了LSTM網(wǎng)絡(luò)在情感分析問題中的可行性和有效性，對未來深入文本分析研究和情感評估具有一定的指導(dǎo)意義。