基于圖卷積網(wǎng)絡(luò)的短文本情感分類標(biāo)注

佘久洲 葉施仁 王 暉

(常州大學(xué)信息科學(xué)與工程學(xué)院 江蘇 常州 213164)

0 引 言

當(dāng)前互聯(lián)網(wǎng)已經(jīng)成為了當(dāng)今時代信息傳播和獲取的主要渠道，截至2019年6月，我國網(wǎng)民數(shù)已達8.54億，普及率達61.2%。大量互聯(lián)網(wǎng)用戶促進了互聯(lián)網(wǎng)產(chǎn)業(yè)的飛速發(fā)展，微博、微信和電商等平臺應(yīng)運而生。人們在平臺上發(fā)表自己的觀點，平臺中交織的觀點又無形中影響著用戶彼此。對網(wǎng)絡(luò)短文本進行情感分類或意見挖掘，可以發(fā)現(xiàn)網(wǎng)絡(luò)中人們的觀點和情緒，評估用戶對產(chǎn)品、組織等實體的態(tài)度，具有重要的現(xiàn)實意義。承載用戶意見的網(wǎng)絡(luò)短文本與日常生活相關(guān)，具有邏輯復(fù)雜、情感豐富和時效性強的特點?；谏疃葘W(xué)習(xí)的模型不僅能學(xué)習(xí)非線性的復(fù)雜關(guān)系，而且能學(xué)習(xí)數(shù)據(jù)中隱藏關(guān)系。尤其是基于注意力機制的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)模型在網(wǎng)絡(luò)短文本的情感分類任務(wù)上取得了很好的效果[1-2]。

然而，在CNN和RNN模型中引入注意力機制后，依然容易忽略詞語間的依賴關(guān)系。即當(dāng)句子中存在多個情感極性不一致的短語時，模型的情感分類準確率會受到影響。例如，對語句“Frenetic but not really funny.”進行情感分類時，CNN和RNN模型是將句子看作是詞的序列組合，但句子中詞語間的隱藏聯(lián)系(依賴關(guān)系、詞性標(biāo)簽等)卻容易被忽略。此時，CNN和RNN模型均能較好地找到句中情感詞“Frenetic”和“funny”，但基于CNN的模型只能通過卷積操作獲取局部特征，忽略了例句中距離較遠詞“not”和“funny”共現(xiàn)的特征；基于RNN的模型由于容易忽略局部特征對整體情感的影響，此時例句中的情感詞“Frenetic”和“funny”被注意力分配合適的權(quán)重，但過渡詞“but”和否定詞“not”卻被注意力機制給忽略，從而導(dǎo)致情感極性判斷出錯。

在自然語言處理領(lǐng)域中，由于詞嵌入(Word Embedding)的文本文檔是一種非歐幾里得的數(shù)據(jù)，數(shù)據(jù)中異構(gòu)成對關(guān)系可以通過圖(Graph)表示[3]。并且，由于樹形模型與句子結(jié)構(gòu)中句法解釋之間的關(guān)系，所以樹形模型是一種非常有吸引力的語言選擇[4]。構(gòu)建依賴關(guān)系樹，如圖1所示?？梢园l(fā)現(xiàn)例句1中“but”作為轉(zhuǎn)折詞修飾的對象是“Frenetic”，而非連續(xù)的情感詞“Frenetic”和“funny”產(chǎn)生了并列聯(lián)系，說明“funny”詞對整句的情感極性影響最大。但由于“not really”作為否定狀語修飾的對象是“funny”，所以整體情感極性為消極。為將詞語間的依賴關(guān)系引入文本情感分類任務(wù)，需要保持詞語間的樹狀依賴特征。基于語義依賴樹進行計算，但CNN和RNN都不能直接計算語義依賴樹。

圖1 例句的依賴關(guān)系

Kipf等[5]在ICLR上提出了圖卷積網(wǎng)絡(luò)(Graph Convolutional Network,GCN)用于引文網(wǎng)絡(luò)(Citation Network)數(shù)據(jù)集的分類任務(wù)。GCN是一種處理圖數(shù)據(jù)(Graph Data)的多層神經(jīng)網(wǎng)絡(luò)，每一層都使用近鄰特征(Features of Immediate Neighbors)去編碼和更新圖中的節(jié)點表征(Node Representation)。因樹是一種特殊的圖，所以在利用GCN處理例句1的情感極性時，由于依賴關(guān)系的制約，近鄰特征的使用受到限制。即當(dāng)編碼詞節(jié)點“Frenetic”表征時，詞節(jié)點“but”和“funny”的特征會被使用；而當(dāng)編碼詞節(jié)點“funny”的表征，只會考慮到依賴關(guān)系上近鄰特征“not”和“really”。通過依賴關(guān)系的約束，情感詞的表征得到重新編碼，過濾與情感詞無依賴關(guān)系的近鄰特征，因而情感分類的準確率得到提高。

基于該思想，本文提出一種基于圖卷積網(wǎng)絡(luò)的分類模型——SAGCN模型(Sentiment Analysis using Graph Convolutional Network)用于處理文本情感分類任務(wù)。模型首先根據(jù)句子的依賴樹(Semantic Dependency Tree)得到詞語間的依賴關(guān)系，并利用雙向長短時記憶網(wǎng)絡(luò)從文本數(shù)據(jù)中提取句子表征。其次利用圖卷積網(wǎng)絡(luò)結(jié)合依賴關(guān)系對句子表征進行編碼得到節(jié)點表征。然后結(jié)合注意力機制，利用節(jié)點表征重新分配句子表征的情感權(quán)重，并輸入到全連接層，最終通過判別器判定句子的情感傾向。在情感分類基準數(shù)據(jù)集上的結(jié)果表明，采用SAGCN模型具有較高的準確率和良好的泛化性能。

1 相關(guān)工作

1.1 情感分類

情感分類任務(wù)作為自然語言處理領(lǐng)域的研究熱點之一，根據(jù)處理的文本粒度不同，一般分為三個層次:篇章級(Document Level)、句子級(Sentence Level)和方面級(Aspect Level)[6]。對給定的評論文本，情感分析將文本分為積極(Positive)、消極(Negative)兩類情感，也可以根據(jù)實際需求進一步細分為非常積極(Very Positive)、積極(Positive)、中立(Neutral)、消極(Negative)和非常消極(Very Negative)五類情感[7]。因此，情感分析可以是兩分類問題，也可以是五分類問題。近年來，隨著深度學(xué)習(xí)的興起，利用大規(guī)模語料庫，基于深度學(xué)習(xí)的模型能自動學(xué)習(xí)特征，摒棄了特征工程的弊端，在情感分類任務(wù)上取得了很好的效果。其中，Santos等[8]基于單詞的構(gòu)造(即以構(gòu)成單詞的字母為單位)，提出CharCNN(Character to Sentence Convolutional Neural Network)模型。CharCNN模型以CNN為基礎(chǔ)，采用兩個并行的卷積層分別學(xué)習(xí)單詞的構(gòu)造特征和句子的語義特征。Wang等[9]在LSTM(Long Short-Term Memory)的基礎(chǔ)上，結(jié)合詞向量算法，通過模擬詞語在合成過程中的相互作用，完成了對Twitter數(shù)據(jù)集進行情感兩分類。

Bahdanau等[10]將注意力機制引入機器翻譯中，在處理有限資源時注意力機制可以集中關(guān)注影響較大的部分，解決了翻譯時由于語句過長導(dǎo)致上下文依賴關(guān)系丟失的問題。注意力機制引入情感分類領(lǐng)域后，在處理邏輯復(fù)雜語句時，注意力機制可以分配不同語義特征的權(quán)重，提高分類任務(wù)的準確率。Er等[11]在CNN的基礎(chǔ)上，提出APCNN(Attention Pooling-based Convolutional Neural Network)模型。該模型利用卷積層生成的局部特征與Bi-LSTM(Bidirectional LSTM)層生成的全局特征進行注意力權(quán)重的計算，從而保留特征的位置信息和強度信息，增強語義特征的提取。Gao等[12]在LSTM的基礎(chǔ)上，提出AB-BiLSTM(Attention-based BiLSTM with POS Embeddings)模型。該模型使用Bi-LSTM層分別從詞嵌入(Word Embedding)和詞性嵌入(POS Embedding)中提取文本特征和詞性特征，利用注意力機制分別將文本特征和詞性特征進行權(quán)重計算，從而保留詞性信息對整體語句的情感影響。

1.2 圖神經(jīng)網(wǎng)絡(luò)

基于CNN和RNN的模型是將句子看作是詞的序列組合，但忽略了詞語之間的關(guān)聯(lián)(依賴關(guān)系、詞頻等)。通過將句子轉(zhuǎn)為文本圖表示(Text Graph)，每個詞看作是一個節(jié)點，詞語之間的關(guān)聯(lián)便是節(jié)點的邊，詞語間的關(guān)聯(lián)得到保留。文本圖已被廣泛運用于自然語言處理領(lǐng)域中各類任務(wù)，如關(guān)鍵詞提取、文本分類等。最近的一些研究嘗試將CNN和RNN模型運用到圖數(shù)據(jù)上[13-14]。其中，Defferrard等[3]在CNN的基礎(chǔ)上，提出Graph-CNN-C模型。該模型通過修改卷積核和池化的計算，將CNN擴展到非歐幾里得領(lǐng)域，在手寫數(shù)字識別和文本分類任務(wù)上取得良好成績。Tai等[4]在LSTM的基礎(chǔ)上，提出Dependency Tree-LSTM模型。該模型利用當(dāng)前輸入隱藏向量和任意子節(jié)點的狀態(tài)隱藏向量來計算當(dāng)前狀態(tài)隱藏向量，在情感分類任務(wù)上取得良好成績。盡管上述方法展示了文本圖的重要性，但這類方法仍存在計算效率低下、特征提取困難的問題。

在神經(jīng)網(wǎng)絡(luò)的相關(guān)研究中，圖神經(jīng)網(wǎng)絡(luò)[15](Graph Neural Network,GNN)能處理圖數(shù)據(jù)，將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(CNN、RNN)擴展到非歐幾里得領(lǐng)域。圖卷積網(wǎng)絡(luò)作為圖神經(jīng)網(wǎng)絡(luò)最常見的模型。不僅完善了計算效率低的問題，而且提高了特征提取的能力，已逐漸成為學(xué)者的研究熱點之一[16-17]。其中，Kipf等[5]簡化切比雪夫多項式的計算，提出一階(First-Order)圖卷積網(wǎng)絡(luò)模型。該模型通過考慮步長K=2的節(jié)點對中心節(jié)點的影響，降低了運算復(fù)雜度，減少局部領(lǐng)域結(jié)構(gòu)(Local Neighborhood Structures)過擬合的問題，在引文數(shù)據(jù)集上取得了優(yōu)異的成果。Yao等[18]將PMI(Pointwise Mutual Information)算法與TF-IDF算法結(jié)合，提出Text-GCN模型。該模型將文本和單詞看作節(jié)點，采用One-hot Representation方法構(gòu)建詞向量，利用PMI和TF-IDF計算文本與單詞、單詞與單詞之間的關(guān)聯(lián)權(quán)重，構(gòu)文本圖和建鄰接矩陣。在文本分類任務(wù)上得到了比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更為突出的結(jié)果。Chen等[19]在GCN的基礎(chǔ)上，提出GCNSA模型。該模型將方面作為圖中特定區(qū)域，構(gòu)建文本圖。利用GCN對圖數(shù)據(jù)進行卷積計算得到全文的隱藏狀態(tài)，同時利用結(jié)構(gòu)注意力模型(Structural Attention Model)，提取特定區(qū)域的信息，并使用平均池化的方法過濾隱藏狀態(tài)中與特定區(qū)域信息無關(guān)的特征，在方面級的文本情感五分類任務(wù)上取得良好的成果。

2 基于圖卷積網(wǎng)絡(luò)的短文本情感分類模型

因此，為了解決CNN和RNN模型無法直接計算依賴樹的問題，本文使用GCN去處理具有依賴關(guān)系的樹。同時，為了解決GCN忽略詞序的問題，本文引入Bi-LSTM來生成具有詞序信息的句子表征。兩層的GCN運算過程如圖2所示。

圖2 兩層GCN的運算過程

在預(yù)處理階段，利用句法分析工具，整句被構(gòu)建為語義依賴樹，通過分析詞節(jié)點間是否存在依賴關(guān)系(即節(jié)點間的邊)，可以計算得到GCN使用的鄰接矩陣A。同時，考慮到詞序?qū)η楦刑卣鞯挠绊?，使用Bi-LSTM層產(chǎn)生的含有單詞及其特征的句子表征，可作為GCN的特征矩陣X。當(dāng)GCN對詞節(jié)點進行卷積操作時，由于依賴關(guān)系的約束，情感詞的表征得以重新編碼，過濾與情感詞無依賴關(guān)系的近鄰特征，得到具有依賴關(guān)系的節(jié)點表征。此時，在計算情感特征的權(quán)重時，注意力機制不僅可以考慮到詞序?qū)η楦刑卣鞯挠绊懀夷芸紤]到依賴關(guān)系對情感特征的影響，因此可以提高情感分類的準確率，增強可解釋性。

基于該思想，提出基于圖卷積網(wǎng)絡(luò)的情感分類模型。該模型主要由四個部分組成，如圖3所示。第一部分是利用GloVe算法[20]將單詞轉(zhuǎn)為向量表示(即詞向量)，同時利用句法分析工具分析詞語間的依賴關(guān)系得到依賴樹;第二部分通過Bi-LSTM提取詞向量特征(即文本特征)，得到句子表征，同時GCN根據(jù)依賴關(guān)系編碼句子表征得到具有依賴關(guān)系的節(jié)點表征;第三部分是句子表征和節(jié)點向量通過注意力機制得到不同的語義編碼向量，每個向量代表了不同維度的語義信息；第四部分是通過判別器判定情感極性。

圖3 面向情感分類的圖卷積網(wǎng)絡(luò)模型

2.1 任務(wù)定義

對于一個句子C={w1,w2,…,wn}及其對應(yīng)的情感標(biāo)簽Y，其中：wi表示句子C中第i個單詞；n為句子C的長度，則句子的最終情感極性判定計算過程如下：

式中：θ表示模型所涉及的參數(shù)；f(·)表示模型中的數(shù)學(xué)函數(shù)。

通過詞向量算法將每個詞wi轉(zhuǎn)為詞向量ei，使用GloVe算法[20]訓(xùn)練得到詞向量查找表L∈R|V|×d，其中：|V|為單詞的集合；d為詞向量的維度。對于句中的單詞可以通過查表的方式轉(zhuǎn)為詞向量：

ei=Lwi

(4)

此時，句子C的詞向量矩陣為E={e1,e2,…,en}，其中n為句子長度，且E∈Rn×d。同時，利用句法分析工具(Dependency Parser)將句子C構(gòu)建成依賴樹，此時每個詞wi視為一個詞節(jié)點。

2.2 Bi-LSTM的特征抽取

2.3 GCN層編碼

首先通過分析依賴樹中詞節(jié)點間是否存在依賴關(guān)系(即節(jié)點間的邊)，可以構(gòu)建句子C的鄰接矩陣A。雖然依賴樹是有方向的圖，但GCN通常不考慮方向，卻可以適用于方向感知的場景。所以本文提出兩個變種SAGCN模型:基于有方向樹的SAGCN-T(SAGCN-Tree)和基于無方向圖的SAGCN-G(SAGCN-Graph)。SAGCN-T的鄰接矩陣比SAGCN-G更稀疏。不同模型下例句1矩陣A的計算如圖4所示。

圖4 矩陣A的計算

本文中，GCN的層數(shù)l為2，采用X=HL。所以此時句子C的GCN輸出計算過程如式(8)-式(10)所示。

2.4 注意力層

為了量化不同距離的單詞對情感分類結(jié)果的影響，本文引入注意力機制對任意單詞確定其權(quán)重值。在得到基于Bi-LSTM的輸出隱藏向量HL后，結(jié)合GCN的輸出隱藏向量利用注意力機制對單詞進行加權(quán)，得到基于注意力機制的隱藏向量r。首先計算t時刻的注意力分值。

然后采用Softmax函數(shù)得到時刻的注意力權(quán)重分布ai。

最后，利用求得的注意力權(quán)重對隱藏向量HG進行加權(quán)求和，得到基于注意力機制的隱藏向量r。

2.5 分類層

在得到隱藏向量r后，將其輸入到全連接層，并通過Softmax歸一化層輸出得到極性決策空間上的概率分布P∈Rdp。

p=Softmax(Wpr+bp)

(14)

式中：dp是標(biāo)簽的維數(shù)，權(quán)重Wp∈Rdp×2dh和偏置bp∈Rdp是通過學(xué)習(xí)得到。

2.6 模型訓(xùn)練

本文使用標(biāo)準的反向傳播算法[5]來訓(xùn)練模型，通過最小化交叉熵函數(shù)來優(yōu)化模型，交叉熵的代價函數(shù)如下：

式中：n表示樣本總量；k表示類別數(shù)；yi表示真實標(biāo)簽；pi表示預(yù)測標(biāo)簽；Θ表示所有可訓(xùn)練的參數(shù)；λ是L2正則化的參數(shù)

3 實驗與結(jié)果分析

3.1 實驗數(shù)據(jù)集

在情感分類任務(wù)中，本文使用三個基準數(shù)據(jù)集對模型進行評估，數(shù)據(jù)集的統(tǒng)計結(jié)果如表1所示。

表1 數(shù)據(jù)集分布

(1) SSTb-1：SSTb(Stanford Sentiment Treebank)數(shù)據(jù)集[8]的內(nèi)容來源于在線影評，屬于網(wǎng)絡(luò)短文本。數(shù)據(jù)集包含情感實證的概率，可將情感分成非常消極、消極、中性、積極和非常積極五類。

(2) SSTb-2：情感兩分類的SSTb。其中：中性的評論被刪除；非常積極和積極的評論被標(biāo)記為積極；消極和非常消極的評論被標(biāo)記為消極。

(3) MR：MR(Movie Review Sentence Polarity Dataset)是一個用于情感兩分類任務(wù)的數(shù)據(jù)集，包含5 331條正面情緒評論和5 331條負面情緒評論，采用文獻[18]的方法劃分數(shù)據(jù)集。

3.2 實驗設(shè)置

本文使用SpaCy工具包中Dependency Parser工具構(gòu)建文本的依賴關(guān)系樹；詞嵌入(Word Embedding)在送入模型訓(xùn)練前采用Dropout[21]減少過擬合，提升模型泛化能力。實驗結(jié)果采用隨機初始化運行，結(jié)果平均三次，以準確率和Macro-AveragedF1值作為評價指標(biāo)，以驗證模型在基線模型上取得改進是有效的。實驗中各超參數(shù)設(shè)置在表2中給出。

表2 實驗超參數(shù)設(shè)置

3.3 基準模型

為了比較和論證SAGCN模型的有效性，本文選擇多個基準模型進行比較。

(1) CharCNN：Santos等[8]提出一種基于CNN的情感分類模型，該模型基于單詞構(gòu)造。

(2) LSTM：Wang等[9]定義的LSTM模型，使用最后一個隱藏狀態(tài)作為全文表示。

(3) AB-BiLSTM：Gao等[12]提出一種基于注意力機制的Bi-LSTM的情感分類模型，文中僅使用詞嵌入作為輸入。

(4) Graph-CNN-C：Defferrard等[3]提出一種圖CNN模型，該模型對詞嵌入的相似圖進行卷積操作。

(5) Text-GCN：Yao等[18]提出一種GCN模型，該模型將每個詞看作是一個節(jié)點，利用TF-IDF和PMI計算詞節(jié)點的邊。

3.4 結(jié)果分析

表3給出了SAGCN模型與其他基準模型在數(shù)據(jù)集上執(zhí)行情感分類標(biāo)注的準確率。

表3 不同模型的準確率(%)

可以看出，本文所提出的SAGCN模型在情感兩分類任務(wù)上的準確率均優(yōu)于其他基準模型。與CharCNN的模型相比，SAGCN-G在兩分類任務(wù)上的準確率分別提高了6.3百分點和3.5百分點，五分類任務(wù)上提高了3.3百分點。這是因為CharCNN只能通過卷積獲取局部語義特征，而不同距離上的語義依賴關(guān)系對文本情感分類的影響較大。與Text-GCN相比，本文提出的模型在兩分類任務(wù)上的準確率分別提高了7.0百分點和2.6百分點，五分類任務(wù)上提高了5.0百分點。這是因為在引入依賴關(guān)系后，通過注意力機制對情感詞重新分配權(quán)重，提升了模型的分類準確率。與AB-BiLSTM模型相比，本文提出的模型在情感兩分類任務(wù)上的準確率分別提高了3.2百分點和1.3百分點?？梢钥闯龌谧⒁饬C制的模型在加入依賴關(guān)系后，兩分類任務(wù)的準確率得到一定提升。同時不難發(fā)現(xiàn)，本文提出的SAGCN模型在五分類僅略低于AB-BiLSTM模型，這是因為GCN只考慮步長K=2的節(jié)點對中心節(jié)點的影響，并未考慮更大步長節(jié)點對中心節(jié)點的影響，這種影響容易造成語義的多層次信息丟失。

同時也可以看出，本文提出的SAGCN-G模型與SAGCN-T模型相比，在兩分類數(shù)據(jù)集SSTb-2和MR上的準確率分別提高了2.7百分點和0.7百分點，五分類上的準確率提高了1.3百分點。這是由于來自父節(jié)點的信息與來自子節(jié)點的信息同樣重要，因此將依賴樹視為有方向的圖容易導(dǎo)致信息丟失。

3.5 GCN層數(shù)的影響

由于本文所提出的SAGCN模型涉及一個l層的GCN網(wǎng)絡(luò)，所以本文研究層數(shù)l對SAGCN-G結(jié)果的影響。詞向量維度為300，層數(shù)l={1，2，3，4，6，8，10}，在SSTb-2數(shù)據(jù)集上比較準確率和Macro-AveragedF1值，結(jié)果如圖5所示。

(a)(b)圖5 GCN層數(shù)影響

在這兩個指標(biāo)上可以看出，SAGCN-G在l層為2時達到最好的性能，表明了在實驗部分中層數(shù)的選擇是合理的。此外，可以看出隨著l層數(shù)的增加，兩個指數(shù)都呈下降趨勢，當(dāng)l=10時候，由于有大量超參數(shù)，所以SAGCN-G訓(xùn)練變得困難，此時的準確率和Macro-AveragedF1都大幅下降。

3.6 案例分析

為了更好地展示SAGCN-G是如何處理情感分類任務(wù)的，本文通過一組帶有標(biāo)簽的英文短文本在SAGCN-G模型上的結(jié)果與文獻中AB-BiLSTM(輸入端僅使用Word Embedding)模型上的結(jié)果進行比較分析。例句見表4，其中，例句1中間存在過渡詞“but”，“funny”前用“not”否定詞強調(diào)，提高情感分類的難度。例句2中使用“while”、“still”等過渡詞，同時還有否定句，容易導(dǎo)致模型做出錯誤的預(yù)測。

表4 例句

表5、表6分別展示了AB-BiLSTM模型和SAGCN-G模型的注意力得分情況以及對句子情感類別的預(yù)測和預(yù)測得分，句子的背景顏色越深，表示注意力得分越高，預(yù)測概率是預(yù)測情感類別的概率。

表5 例句1的結(jié)果

表6 例句2的結(jié)果

對例句1，AB-BiLSTM模型忽略了過渡詞“but”和否定詞“not”，注意力并未分配適當(dāng)?shù)臋?quán)重對過渡詞和否定詞進行強調(diào)，所以AB-BiLSTM錯誤地判定情感極性。而SAGCN-G由于使用了詞語間的依賴關(guān)系，注意力更好地關(guān)注到過渡詞“but”和“not”上，因而情感極性判定正確。對例句2，兩個模型均正確預(yù)測了句子的情感極性，但通過預(yù)測概率不難發(fā)現(xiàn)SAGCN-G處理例句2時，判定Positive的概率高于AB-BiLSTM，這是因為結(jié)合依賴關(guān)系，注意力機制對后半句分配了更大的權(quán)重，同時GCN在編碼情感詞“satisfying”的表征時，僅會考慮“ultimately”詞節(jié)點的特征，忽略了前半段“not”詞節(jié)點對“satisfying”的影響，提高了預(yù)測概率。圖6展示了例句2中詞語間的依賴關(guān)系。

圖6 例句2的依賴關(guān)系

4 結(jié) 語

針對邏輯復(fù)雜、情感豐富、時效性強的網(wǎng)絡(luò)短文本，本文提出一種基于圖卷積網(wǎng)絡(luò)的情感分類模型。該模型首先根據(jù)句子的依賴樹得到詞語間的依賴關(guān)系，并利用雙向長短時記憶網(wǎng)絡(luò)從文本數(shù)據(jù)中提取句子表征。其次利用圖卷積網(wǎng)絡(luò)結(jié)合依賴關(guān)系對句子表征進行編碼得到節(jié)點表征。然后結(jié)合注意力機制，利用節(jié)點表征重新分配句子表征的情感權(quán)重，使模型可以更好地關(guān)注對情感極性影響大的部分，并輸入到全連接層，最終通過判別器判定句子的情感傾向。實驗結(jié)果表明，本文提出的模型與其他模型相比在情感兩分類任務(wù)上的準確率優(yōu)于已知方法，在五分類上表現(xiàn)良好。

本文方法并未考慮到領(lǐng)域知識。如果設(shè)計具有層次結(jié)構(gòu)特征的文本圖涵蓋領(lǐng)域知識，可能可以提升本文方法的性能。此外，引入一個更有效的卷積規(guī)則來解決過度平滑的問題，避免隨著卷積層數(shù)的增加節(jié)點的特征會被過度平滑，降低了準確率。嘗試調(diào)整參數(shù)和部分模型，探索本文方法在中文短文本情感分類標(biāo)注問題的應(yīng)用，是我們今后進一步開展工作的方向。