直播網(wǎng)站在線彈幕情感分析

陳朝明

（中南民族大學(xué)計算機(jī)科學(xué)學(xué)院，湖北武漢 430027）

0 引言

近年來，隨著在線影音平臺的興起，網(wǎng)絡(luò)直播成為一種影像娛樂的流行模式。直播與其他各種傳統(tǒng)影視的最大區(qū)別在于，觀眾能隨時通過彈幕文本和視頻主播之間進(jìn)行實時交互，主播也同樣可以根據(jù)其受眾的直播需求進(jìn)行實時反饋——通過彈幕及時地調(diào)整自己的直播節(jié)目動態(tài)內(nèi)容并更好地通過直播取悅其受眾，以獲得更多關(guān)注。其中，演出或主持直播的主角一般稱之為“主播”或是“實況主”。彈幕則指一種用戶觀看直播的評論方式。這些評論文本從屏幕上呈現(xiàn)一閃而過的視覺效果，看上去如高速飛行的子彈一般，因而人們將其稱之為彈幕［1］。

在對文本的情感分析中，傳統(tǒng)方法大多是基于對情感知識的認(rèn)知構(gòu)建一個情感詞典，然后以這些情感詞典為主要工具進(jìn)行分類。國內(nèi)外研究者在情感分析的研究和應(yīng)用上已取得突破性進(jìn)展，但對于彈幕文本情感分析的深入研究卻較少。最早提出情感分析字典的whissell［2］，他們先招募了148 名受試者，首先使用5 個附加單詞，其中包括描述一個數(shù)學(xué)術(shù)語、物理科學(xué)術(shù)語、電視技術(shù)術(shù)語、報紙技術(shù)術(shù)語和生物學(xué)等術(shù)語，然后與其他情感詞典頻次度最高的情感字詞互相匹。Kim 等［3］利用同義詞、近義詞的關(guān)系，將一批人工標(biāo)注的初始種子情感詞作為基礎(chǔ)，將與種子詞同義詞語的情感傾向設(shè)置為相同，與種子詞反義相反則設(shè)置為對應(yīng)的情感極性。上文提出的情感詞典都比較基礎(chǔ)，即只對使用最為廣泛的詞如“漂亮”“好”“不行”等進(jìn)行了收集整理?；A(chǔ)情感詞典鎖覆蓋的文本有限，無法結(jié)合語境、語義分析，在情感分類性能上存在不足。有一些年份比較久遠(yuǎn)的情感詞典應(yīng)用到具有新含義情感詞的語料中時，由于受到語境遷移影響從而導(dǎo)致分類效果較差。

在文檔和句子層次上，目前研究主要集中在基于機(jī)器學(xué)習(xí)的情感分類方法上。這種方法將預(yù)先標(biāo)記數(shù)據(jù)的情感極性作為訓(xùn)練數(shù)據(jù)［4］。根據(jù)訓(xùn)練數(shù)據(jù)，對情感分類模型進(jìn)行訓(xùn)練，優(yōu)化分類精度，然后對文本進(jìn)行情感極性分類。謝鐵等［5］利用深度遞歸神經(jīng)網(wǎng)絡(luò)算法獲取句子語義信息，并引入漢語“情感訓(xùn)練樹圖數(shù)據(jù)庫”作為訓(xùn)練數(shù)據(jù)，找到詞語中的情感信息；Appel 等［6］提出一種結(jié)構(gòu)混合式的句子級情感分析方法，在已有情感詞典的基礎(chǔ)上，利用自然語言處理技術(shù)對情感詞典進(jìn)行增強(qiáng)，并利用模糊集估計句子的語義方向、極性和強(qiáng)度，為情感計算提供了基礎(chǔ)。這兩種方法都忽略了句子間的依存關(guān)系；Abbasi 等［7］提出一種基于語言學(xué)規(guī)則的多文本語義特征選取方法，該選取方法不但考慮了語義信息，還利用語法特征之間的相互關(guān)系，可以有效去除文本中的雜質(zhì)、無關(guān)信息和其他冗余的語義特征；黨蕾等［8］首先分析不同語法之間的相關(guān)性，然后根據(jù)語法結(jié)構(gòu)提取距離因子，并對否定模式匹配后的句子極性算法進(jìn)行改進(jìn)，最后提高了句子級情感分析的準(zhǔn)確性。在分析相關(guān)基礎(chǔ)知識和語義特征的基礎(chǔ)上，Shi 等［9］提出基于隨機(jī)條件的情感信息聯(lián)合識別模型，并給出一個關(guān)于詞語情感強(qiáng)度的計算公式。他們提出的模型對于彈幕這樣的短文本評論語言適用性較差。

盡管國內(nèi)外研究者對傳統(tǒng)文本的情感分析進(jìn)行了大量深入研究，已取得較為成熟的成果［10］，但對彈幕情感的研究與分析并不多。并且，由于彈幕獨特的在線實時、語言簡略與互聯(lián)網(wǎng)化特征，現(xiàn)有方法難以直接用于彈幕情感分析。因此，采用新的方法對直播彈幕的情感進(jìn)行分析具有非常重要的實際意義與應(yīng)用價值［11］。

已有研究中尚沒有對彈幕的特征進(jìn)行研究，也缺乏對彈幕領(lǐng)域情感詞典的完善。針對該問題，本文做了如下工作：提出一個基于改進(jìn)SVM 算法的情感分析模型；在收集處理直播網(wǎng)站在線彈幕文本后構(gòu)建一個彈幕文本語料庫，結(jié)合現(xiàn)有情感詞典構(gòu)建一個彈幕專屬情感詞典，在對優(yōu)化模型進(jìn)行實驗后實現(xiàn)分類性能提高；考慮了彈幕中能表達(dá)情感的各項特征［12］。

1 情感分析流程

情感強(qiáng)度評價是對情感極性的判斷，將判斷結(jié)果細(xì)分為強(qiáng)、中、弱等不同程度。文本情感分析一般過程如下：①從互聯(lián)網(wǎng)上收集和整理原始語料庫數(shù)據(jù)，首先對數(shù)據(jù)進(jìn)行清理，去除非文本數(shù)據(jù)，然后對文本進(jìn)行預(yù)處理［13］；②根據(jù)不同的算法，對預(yù)處理后的文本數(shù)據(jù)進(jìn)行情感極性判斷和情感強(qiáng)度評價；③將情感分析過程的結(jié)果應(yīng)用到事物評價、企業(yè)經(jīng)營、政府監(jiān)管等相關(guān)領(lǐng)域，實現(xiàn)研究的意義和價值［14］。

彈幕情感分析流程如圖1 所示，首先從直播平臺收集和整理原始語料庫數(shù)據(jù)，對原始彈幕數(shù)據(jù)進(jìn)行清理，去除非文本數(shù)據(jù)形成彈幕語料庫［15］，然后對文本進(jìn)行預(yù)處理。通過對語料進(jìn)行特征提取，構(gòu)建彈幕情感詞典［16］。

Fig.1 Flow of bullet screen sentiment analysis圖1 彈幕情感分析流程

2 彈幕數(shù)據(jù)情感分析模型

2.1 系統(tǒng)模型

如圖2 所示，系統(tǒng)模型由語料庫、特征工程、分類器組成。首先，原始數(shù)據(jù)由直播網(wǎng)站后臺獲取，分別經(jīng)過分詞、停用詞進(jìn)行處理，將其進(jìn)行人工分類后組成的語料庫；然后，通過特征工程提取每個W特征，轉(zhuǎn)化為，其中x為W提取的各項特征，y為W的分類結(jié)果（包含正向和負(fù)向）；再經(jīng)過本文改進(jìn)的分類器進(jìn)行分類得到S{W1，W2，...，Wn}，通過輸出數(shù)據(jù)優(yōu)化分類器使分類器得到更好的性能評價指標(biāo)P。因此，該模型的核心問題可以描述為：

2.2 數(shù)據(jù)預(yù)處理

本文選取虎牙直播網(wǎng)站的彈幕數(shù)據(jù)作為本文的語料數(shù)據(jù)來源。通過虎牙直播網(wǎng)站開放接口，使用Python 接收后臺數(shù)據(jù)，并將所需直播間的彈幕文本保存在本地中。本文以虎牙的官方直播間——《英雄聯(lián)盟賽事》（https：//www.huya.com/lpl）為主要數(shù)據(jù)獲取對象。經(jīng)過一段時間的實時彈幕獲取，累計得到61萬條文本。

Fig.2 System model圖2 系統(tǒng)模型

由于彈幕的口語化嚴(yán)重，彈幕文本往往包含大量與情感表達(dá)無關(guān)的文字。為了保證后續(xù)情感分析結(jié)果的有效性，需要進(jìn)行嚴(yán)格的文本預(yù)處理操作，以保證文本數(shù)據(jù)的標(biāo)準(zhǔn)化。對彈幕文本的預(yù)處理包括以下幾個步驟：過濾無意義文本、情感極性標(biāo)注、文本分詞和去除停止詞［17］。

在對彈幕文本進(jìn)行分詞處理后，出現(xiàn)了大量的無意義詞。這些詞在各種漢語文本中都很豐富，但并不參與文本意義的表達(dá)，這些詞被稱為停止詞。停止詞指在語篇中頻繁出現(xiàn)但對語義研究毫無意義的詞，如“和”“德”“在”“然后”，以及一些使用過于頻繁的詞，如“我”“就”“啊”“把”。此外，作為網(wǎng)絡(luò)文本，彈幕還包含一些英文、數(shù)字、表情符號和特殊符號。彈幕的口語化現(xiàn)象嚴(yán)重，因此去除停止詞也是文本預(yù)處理的一個重要步驟。本文將收集所有的停止詞，形成停止詞列表。分詞后匹配停止詞列表，過濾文本，避免分詞后過多干擾。使用for 循環(huán)遍歷seg_str，通過if 語句判斷該詞是否存在于停止詞列表中，將該詞后面的停止詞移到seg 列表的內(nèi)容中［18］。

2.3 情感特征構(gòu)造

在考慮特征構(gòu)造時，本文選取幾種常見的情感特征。通過組合這些特征得到最優(yōu)分類效果。其中，詞向量化是最基礎(chǔ)的工作，標(biāo)記了每個詞在訓(xùn)練文檔中的空間特征，在后文的實驗中稱為word 特征［19］；情感詞典則依據(jù)情感詞進(jìn)行分類，在實驗中稱為pos（詞性）特征；依存句法分析則通過綜合算法判斷句子的情感特性，叫作dep（句法）特征。

針對直播彈幕情感詞典缺乏的不足，為了構(gòu)造一個彈幕領(lǐng)域性詞典，本文在大連理工信息檢索研究室情感詞匯本體（Dalian University of Technology Sentiment Ontology，DUTSO）的基礎(chǔ)上，通過增加彈幕專屬情感詞的方式，構(gòu)建新的情感分析詞典。獲取新的情感詞首先要將文本數(shù)據(jù)進(jìn)行預(yù)處理，目前的預(yù)處理工作一般包含數(shù)據(jù)清洗、停用詞處理、分詞、詞性標(biāo)注、詞頻統(tǒng)計等。情感詞匯如表1所示。

在評論語言中，情感詞和評價目標(biāo)詞之間通常存在某種修飾關(guān)系，這種修飾關(guān)系可以通過依存分析找到。依存分析通過分析詞與詞之間的依存關(guān)系，揭示句子的句法結(jié)構(gòu)。在依存句法理論中，句法結(jié)構(gòu)實質(zhì)上包含了詞與詞之間的依存（修飾）關(guān)系。依存關(guān)系可以分為不同的類型以表達(dá)句子中兩個詞之間的特定句法關(guān)系，并且用于連接主導(dǎo)詞和從屬詞。采用依存句法描述句子的好處在于不需要理解單詞本身的意思，而是通過所承載的語法關(guān)系表達(dá)單詞，而且其數(shù)量遠(yuǎn)遠(yuǎn)少于單詞數(shù)量［20］。同時，一個句子中的核心動詞是支配其他成分的中心成分，它不受自身支配，并作為句子的根節(jié)點，這樣的詞在依存關(guān)系中被記錄為“根”。當(dāng)然，非正式不完整句子中可能沒有動詞。此時，形容詞或名詞也可能成為根節(jié)點。并且，依賴于根節(jié)點，其他組件之間也存在依賴關(guān)系。除詞匯本身特征外，還需組合的情感特征如表2所示。

Table 1 Emotional vocabulary表1 情感詞匯

Table 2 Emotional characteristics explanation表2 情感特征示意表

基于依存語法的方法是利用依賴語法分析提取文本的主干，然后利用其他分類方法對其進(jìn)行分類。該方法提取的主文本大多包含明顯的情感詞和情感對象，文本中沒有明顯情感詞的部分往往被忽略，但這些被忽略的部分也可能表達(dá)情感。因此，從提高文本預(yù)期利用率的角度出發(fā)，考慮了其他部分的影響：利用句法依存關(guān)系提取評論句中的短語，并在此基礎(chǔ)上進(jìn)行分句［21］，提取出可能表達(dá)意見的句子部分，并利用訓(xùn)練好的監(jiān)督分類模型識別意見類別類別。

2.4 基于改進(jìn)SVM 算法的情感分類

彈幕文本經(jīng)過特征提取，得到了一個高維空間的向量矩陣，這些數(shù)據(jù)的分類依賴于有效的分類器。在對比多個機(jī)器學(xué)習(xí)方法后，本文選取支持向量機(jī)（Support Vector Machine，SVM）算法構(gòu)建情感分類的分類器［22］。SVM 算法在面向本文所提彈幕語料庫這種數(shù)據(jù)量不大的樣本時仍然有效。其分類準(zhǔn)確率高、泛化能力強(qiáng)。假設(shè)彈幕文本訓(xùn)練資料為：

樣本空間中任一個樣本點到超平面(ω，b)的距離可寫為：

SVM 的優(yōu)化目標(biāo)是使r最大。正向分類滿足wTx+b>=1，負(fù)向分類滿足wTx+b<=-1。將這兩類可整理如下：

分類問題即滿足上式條件的優(yōu)化問題，總結(jié)為：

將情感分類模型轉(zhuǎn)化為無限制經(jīng)驗損失最小化問題，考慮到誤差問題引入Hinge Loss，l(ω，(x，y))。最小化問題的定義函數(shù)如下：

其中，l(ω，(x，y))如下：

使用隨機(jī)梯度下降求解目標(biāo)函數(shù)。

為了平衡泛化與學(xué)習(xí)，提高內(nèi)核函數(shù)的自適應(yīng)性，引入分類處理因子與梯度下降因子對SVM 進(jìn)行算法改進(jìn)［23］。用Smooth Loss 替換Hinge Loss，即將式l(ω，(x，y))轉(zhuǎn)化為，將問題進(jìn)一步轉(zhuǎn)化為超平面下的無約束平滑優(yōu)化問題。

隨機(jī)選取超平面空間下的一個訓(xùn)練樣本it，其中i為某一情感特征，a為樣本活躍度即迭代次數(shù)。將式（8）轉(zhuǎn)化為式（9）。

進(jìn)行子梯度求解，如下：

可以看到，引入了分類處理因子與梯度下降因子后，可以得到一個降低了泛化誤差的預(yù)測器。本文將通過實驗對改進(jìn)SVM 后的情感分類模型進(jìn)行效果驗證。

3 實驗

3.1 實驗環(huán)境

為了驗證本文方法的有效性，采用Pycharm 工具在Windows 平臺實現(xiàn)本文提出的彈幕情感分析算法。實驗環(huán)境如表3所示。

Table 3 Experimental environment表3 實驗環(huán)境

實驗所使用的語料庫為本文獲取的虎牙后臺彈幕數(shù)據(jù)，這些經(jīng)過上述處理步驟，即過濾無意義文本、情感極性標(biāo)注、文本分詞和去除停止詞。原始彈幕總共有61 萬條，經(jīng)過第一步處理還有11 萬條，再從11 萬條彈幕中隨機(jī)抽取1 萬條進(jìn)行標(biāo)注，其中有明確情感傾向的數(shù)據(jù)形成數(shù)據(jù)集DTDS，部分?jǐn)?shù)據(jù)如圖3 所示。其中，有1 250 個正向語料和1 250個負(fù)向語料，共計2 500條語料。

Fig.3 Processed corpus圖3 處理后的語料

3.2 不同模型實驗比較

為了比較模型好壞，實驗中加入最大熵、未改進(jìn)的SVM 算法和樸素貝葉斯算法作為比較，這3 種算法均為SKlearn 工具包提供的基本分類算法。本實驗的評價標(biāo)準(zhǔn)為準(zhǔn)確率、召回率和F1值［24］。

實驗設(shè)置了5 組分組實驗，其中每組由250 個正向語料和250 個負(fù)向語料，4 組增量實驗各組分別由150 對、300對、450 對和600 對正負(fù)語料構(gòu)成。4 種算法實驗結(jié)果如表4所示。

通過對比可以看出，本文提出的改進(jìn)SVM 分類器模型比未改進(jìn)模型的評價指標(biāo)（精確率、召回率、F1 值）分別高3.8%、2.3%與1.1%，而傳統(tǒng)SVM 又比樸素貝葉斯算法和最大熵算法模型高3.7%、5.3%與4.5%和5.7%、5%、5.4%。這充分表明，通過增加彈幕詞典及改進(jìn)特征組合，能有效提升在線彈幕情感分析的準(zhǔn)確性和有效性［25］。

3.3 特征組合對性能的影響

在機(jī)器學(xué)習(xí)分類器的訓(xùn)練算法確定為SVM 后，接下來需要選擇一定的特征組合方法，并對組合的特征進(jìn)行篩選。本文將彈幕文本特征分成單詞（word）、詞性（pos）與句法（dep），按照word、word+pos、word+dep、word+pos +dep 4 種特征組合進(jìn)行實驗，分析精確率、召回率與F1 值。不同特征組合的性能如圖4所示。

Table 4 Comparison of experimental results of each method表4 各方法實驗結(jié)果比較

Fig.4 Experimental results of different feature combinations in improved SVM algorithm圖4 不同特征組合在改進(jìn)SVM算法下的實驗結(jié)果

從圖4 可以看出，加入了特征組合后，實驗效果均比單一word 特征性能更優(yōu)。僅考慮word 特征時，精確率、召回率與F1 值分別為61.47%、65.26% 與67.13%，通過增加詞性（pos），精確率與召回率分別提升到66.97%、73.41%。這充分說明特征項的增加對模型性能有顯著影響，尤其是在彈幕文本中，由于文本短以及口語化，詞性與文本情感具有明顯相關(guān)性。

word+dep 的特征組合性能要優(yōu)于word+pos 的特征組合，精確率、召回率與F1值分別提升到70.85%、71.47%、77.93%，這表明了句子特征對于彈幕文本的有效性。其主要原因在于，彈幕具有文本短及表達(dá)簡潔的特征，僅從詞性與單詞的角度分析還不夠。而將3 組特征進(jìn)行全部結(jié)合的word+pos+dep 效果最好。word+pos+dep 在評價指標(biāo)（精確率、召回率、F1 值）上與word+pos 相比分別高4.2%、0.2%、30.9%，與word+dep 特征組合的性能相比高0.4%、2.2%與9%，其中word 特征，也即直接將語料轉(zhuǎn)化為詞向量的性能時最差，這一結(jié)果意味著短語類別分類更依賴于詞和詞之間的依存句法關(guān)系，這也驗證了本文基于改進(jìn)SVM 算法融合4項情感特征的情感分析模型的有效性。

4 結(jié)語

情感分析作為近年來自然語言處理的熱點之一，在熱點分析、輿情監(jiān)測和自動答疑等方面具有廣闊的應(yīng)用前景。彈幕作為一種新興的應(yīng)用，具有篇幅短、用詞口語化、網(wǎng)絡(luò)詞語和符號較多等特點，給傳統(tǒng)情感分析方法帶來了挑戰(zhàn)。本文著眼于彈幕文本情感分析，對直播彈幕與情感分析相關(guān)技術(shù)進(jìn)行了深入分析，同時分析出用戶對直播內(nèi)容的喜好程度，提高彈幕情感分析準(zhǔn)確性。

本文針對彈幕語料庫缺乏、語言簡略及互聯(lián)網(wǎng)化特征，構(gòu)建了彈幕專屬情感詞典；針對直播彈幕語言的特性，提出了一種基于改進(jìn)SVM 的情感分析模型。通過引入分類處理因子與梯度下降因子，降低了預(yù)測器的泛化誤差。在此基礎(chǔ)上，提出了詞向量、情感詞、否定詞和標(biāo)點符號等多種融合特征的方法。通過實驗優(yōu)化調(diào)整模型參數(shù)，得到適合直播彈幕的特征組合，提高了分類準(zhǔn)確度［27］。實驗結(jié)果表明，本文提出的方法在精確率、F1 值及召回率性能上更優(yōu)。同時，本文研究也存在一些不足：本文只使用了虎牙直播的彈幕文本作為實驗數(shù)據(jù)，由于直播內(nèi)容的多樣性，可能不能完全說明本文情感分析模型的穩(wěn)定性和魯棒性。并且，本文提出的情感分析模型基于情感分類中的二分類方法，通過分類結(jié)果計算單位時間的情感。在實際應(yīng)用中，情感具有多樣復(fù)雜的特征，對彈幕文本進(jìn)行更加細(xì)分的多分類情感分析是下一步研究方向。