鄧 釗，賈修一，陳家駿

（1.南京理工大學(xué)計算機科學(xué)與工程學(xué)院，江蘇 南京210094；2.南京大學(xué)計算機科學(xué)與技術(shù)系，江蘇 南京210023）

1 引言

反語通常又稱為“說反話”，其字面意思和所要表達的意思相反，是一種帶有強烈情感色彩的修辭手法。在社交網(wǎng)絡(luò)里，反語已成為一種普遍的語言表達方式。在微博這類包含符號、圖片和短文本等信息的分享傳播平臺，針對熱門話題及爭議話題，用戶常常使用反語表達如嘲弄或諷刺等強烈情感傾向。而反語的使用增加了微博情感分析的難度，為提高微博情感分析的準(zhǔn)確率，我們需要對反語識別進行研究。

目前反語識別的可計算化研究已引起一些學(xué)者的關(guān)注，但主要集中在以英文為代表的外文短文本反語識別。據(jù)我們所知，對于中文反語研究，目前還處于起步階段，只有Tang Y J等人［1］針對繁體字構(gòu)建了一個反語語料庫并分析了反語常見的句式結(jié)構(gòu)［1］。反語的識別需要正確理解該話語發(fā)生的具體語境，而當(dāng)前研究很難形式化地給出語境的計算表達式，特別是在缺少自然會話中的語氣、身體姿勢等用于視聽理解的輔助手段情況下，這就給反語識別帶來了極大的困難。此外，和英文反語識別相比，中文通常使用諧音詞或歧義詞等來表達反語情感，這也使得中文反語識別在詞語層面上就比英文反語識別具有更深的難度，使得我們無法直接將針對外文反語識別的研究簡單地運用到中文反語識別。

和自然會話相比，社交網(wǎng)絡(luò)上的語言表達雖然缺少一些語氣或肢體行為等輔助手段，但社交網(wǎng)絡(luò)平臺本身的一些特性也有助于反語的使用和識別，如連續(xù)標(biāo)點符號和表情符號的使用等等，這在一定程度上能夠幫助我們理解反語所在的語境。鑒于此，我們在參考外文相關(guān)工作的基礎(chǔ)上，考慮中文語言的特性和微博平臺的特點，對識別反語的特征構(gòu)建做了初步的研究。

本文主要使用基本詞匯情感、標(biāo)點符號、諧音詞、微博長度、動詞被動化和文本情感模糊度六種特征構(gòu)建反語識別特征體系。在此基礎(chǔ)上，通過信息增益方法對比了各特征對反語識別的影響程度。此外，還實驗驗證了在該特征體系下不同分類器的分類性能及穩(wěn)定性。

2 相關(guān)工作

反語作為一種修辭現(xiàn)象，受到語言學(xué)家、心理學(xué)家和認(rèn)知學(xué)家的廣泛關(guān)注［2］。隨著情感分析技術(shù)的深入研究，反語識別也得到了自然語言處理領(lǐng)域?qū)W者們的重視。對于反語識別的研究，我們依據(jù)研究角度不同，將相關(guān)工作分為兩類：

第一類工作主要從語言學(xué)和心理學(xué)角度出發(fā)。對于英文的反語識別，Gibbs R W 等人［3］從心理學(xué)角度分析了口語中反語的形成和實用性。Utsumi A［4］從語言學(xué)角度分析了反語的本質(zhì)，定義了反語的三大要素，提出了一個統(tǒng)一識別反語的計算模型。對于中文的反語識別，劉正光［2］通過對反語在中文對話產(chǎn)生過程的研究，嘗試從語言學(xué)和心理學(xué)角度分析反語的本質(zhì)。Li Xiang［5］也從語言學(xué)角度分析了中英文中反語使用的差異性。

第二類工作主要從反語識別的可計算化角度出發(fā)。該類工作又可細(xì)分為兩種：第一種是研究反語識別的特征構(gòu)建。對于英文反語識別，González－Ibá?ez等 人［6］僅 通 過 字 典 中 的 詞 匯 和“＠〈用戶〉”標(biāo)簽等簡單的特征識別反語，發(fā)現(xiàn)僅通過一些簡單的詞匯特征無法準(zhǔn)確有效地識別反語。Reyes A 等人［7～9］從 不 同 角 度 研 究 了 電 商 評 論 和社交媒體中的反語識別工作，構(gòu)建了包含n元文法、POS的n元文法、滑稽程度、詞匯褒貶程度、情感復(fù)雜度和歡樂程度等抽象復(fù)雜的特征體系。Burfoot C等人［10］針對新聞?wù)Z料，在基本詞袋特征基礎(chǔ)上討論了標(biāo)題、臟話和俚語等特征。對于葡萄牙文反語識別，Vanin A A 等人［11］研究了固定詞匯、標(biāo)點號、詞性序列和特殊的葡萄牙語表達方式等特征識別反語。Barbieri F等人［12］針對Twitter研究了意大利語的反語識別。

第二種主要從分類算法的研究角度出發(fā)。González－Ibá?ez R 等人［6］使用支持向量機和邏輯斯蒂回歸兩種經(jīng)典的分類算法識別反語，發(fā)現(xiàn)支持向量機算法表現(xiàn)普遍好于邏輯斯蒂回歸方法。Reyes A 等人［8］使用樸素貝葉斯和決策樹兩種算法識別反語，分別研究了在數(shù)據(jù)平衡和數(shù)據(jù)不平衡狀態(tài)下分類器的性能。文獻［9］中使用了樸素貝葉斯、支持向量機和決策樹三種經(jīng)典算法識別反語，研究了三種分類在不同數(shù)據(jù)集上識別反語的性能。Tsur O 等人［13，14］提出了一種基于模式匹配的半監(jiān)督學(xué)習(xí)方法識別反語。

反語識別的可計算化研究主要集中在以英文為代表的外文語料上，而基于中文短文本的反語識別研究只有Tang Y J等人［1］針對繁體字進行了語料庫構(gòu)建和分析了反語的常用句式結(jié)構(gòu)，對于反語識別所需的特征和分類算法等則沒有涉及。由于中英文語言差異性，相關(guān)外文的工作無法直接應(yīng)用于本文的工作中，例如文獻［3］中的“＠〈用戶〉”標(biāo)簽特征未出現(xiàn)在本文的特征體系中，因為在中文社交平臺中用戶之間的關(guān)系是松散的。表1統(tǒng)計了我們構(gòu)建的語料庫中反語集和10 000條非反語微博中含有“＠〈用戶〉”標(biāo)簽的微博比例。如表1描述，反語集和非反語集的“＠〈用戶〉”標(biāo)簽比例相差微小。

Table 1 Proportion of tags“＠〈user〉”表1 “＠〈用戶〉”標(biāo)簽比例數(shù)

3 面向微博的中文反語識別特征體系

本節(jié)針對中文反語的特點，在相關(guān)工作的基礎(chǔ)上，考慮微博自身的特點，構(gòu)建了用于微博反語識別的特征體系，主要包括基本詞匯情感、中文特有的諧音詞、連續(xù)的標(biāo)點符號、微博的長度、動詞被動化、雙引號內(nèi)外情感模糊度等六種特征。

（1）基本詞匯情感。在自然語言處理領(lǐng)域，通常使用n元文法來表示基本的詞匯特征，是指將相鄰的n個單詞作為一個特征。文獻［3］研究發(fā)現(xiàn)，在Twitter反語識別的任務(wù)中二元文法和三元文法不但比一元文法復(fù)雜而且實驗結(jié)果比一元文法差，所以在同為短文本的中文微博的反語識別任務(wù)中，本文的基本詞匯情感特征只應(yīng)用一元文法。在一元文法的特征表示中，中文首先需要使用分詞工具將整條微博分詞，然后建立詞典構(gòu)建特征。在分詞過程中，由于微博約束比較少，所以微博中經(jīng)常出現(xiàn)病句、錯別字以及網(wǎng)絡(luò)用詞，這些問題往往會導(dǎo)致分詞錯誤。由于錯誤詞匯出現(xiàn)頻率不高，針對該問題，故將一些低頻詞匯從詞典中過濾掉。此外，本文主要研究面向中文的反語特征體系，非中文詞匯也不予考慮。

（2）中文特有的諧音詞。諧音詞是中文特有的，意思是和正確詞匯發(fā)音相同或者相似的詞匯，例如“河蟹”是“和諧”的諧音詞。微博的內(nèi)容往往偏向口語化，很多用戶使用諧音詞代替相應(yīng)詞匯表達反語、諷刺等情感傾向。實際上，大部分諧音詞作為單獨的詞匯已包含于基于一元文法的詞典，但是有些特定諧音詞因不是正式詞匯無法被分詞工具準(zhǔn)確地識別，所以需要通過導(dǎo)入用戶自定義常用諧音詞詞典使分詞工具識別這些詞匯。

（3）連續(xù)的標(biāo)點符號。Vanin A A 等人［11］和Dmitry D 等人［14］都提及連續(xù)的標(biāo)點符號在識別反語任務(wù)中 的 重 要 性，Carvalho D 等 人［15］也 通 過模式匹配方法統(tǒng)計連續(xù)標(biāo)點符號在反語語料中的出現(xiàn)次數(shù)驗證了連續(xù)標(biāo)點符號是識別反語的重要線索。由于微博的隨意性，用戶經(jīng)常使用連續(xù)的標(biāo)點符號表達自己的情感。Vanin A A 和Dmitry D等人在反語識別任務(wù)中將連續(xù)標(biāo)點符號的個數(shù)作為特征值，但是我們在分析語料時發(fā)現(xiàn)大多數(shù)連續(xù)的兩個標(biāo)點符號反映用戶情感并不明顯，只有三個及三個以上的標(biāo)點符號同時出現(xiàn)時才能表達用戶情感，而且用戶情感并未隨著標(biāo)點符號個數(shù)的增加而波動。所以，本文只提取三個及以上的連續(xù)的標(biāo)點符號作為特征，并且使用布爾值表示該特征。

（4）微博的長度。張林等人［16］發(fā)現(xiàn)APP短文本評論的長度會影響情感的判別，評論越長其中包含的非情感信息越多，而這些非情感信息會影響情感的判別。因此，我們認(rèn)為同為短文本的微博的長度也可能會影響反語的識別。本文根據(jù)微博長度將微博分為三個等級，分別為：短微博、中等長度的微博和長微博。

（5）動詞被動化。在中文中許多動詞用法很特殊，這些特殊動詞被動化之后情感會發(fā)生巨大的反轉(zhuǎn)。例如“就業(yè)”是個中性動詞，但是如果在“就業(yè)”前加上“被”字，比如“我被就業(yè)了”，那么情感將發(fā)生極大的反轉(zhuǎn)。因為動詞的這種用法通常不會出現(xiàn)在正式文獻中，所以通過統(tǒng)計動詞和該動詞被動化之后在正式文獻中的頻率可以自動識別這些特別的動詞。

識別這種特殊動詞實驗的正式文獻語料是搜狗實驗室收集的48.2 MB 新聞?wù)Z料，主要來自搜狐新聞網(wǎng)站。圖1是xi1、xi2取不同閾值時整個數(shù)據(jù)集特殊動詞的統(tǒng)計，其中xi1是動詞被動化后在正式文獻出現(xiàn)的次數(shù)，xi2是動詞原形在正式文獻出現(xiàn)的次數(shù)。橫坐標(biāo)是xi1、xi2閾值，例如（5，0）中的5是xi1的值，而（0，100）中的100表示xi2大于或等于100，縱坐標(biāo)是當(dāng)xi1、xi2取具體的閾值時，通過手動統(tǒng)計數(shù)據(jù)集中特殊動詞和非特殊動詞的數(shù)目。由圖1可知，當(dāng)動詞被動化后在正式文獻出現(xiàn)的次數(shù)高于1時，這個動詞是特殊動詞的可能性幾乎為0，而xi1為0時，有非常大的可能性是特殊動詞。為了不丟失這種特殊動詞，xi1、xi2的閾值設(shè)置為（0，0），然后手動剔除非特殊動詞，最后我們將特殊動詞保存在動詞被動化字典中，在下文實驗中我們通過布爾值方法表示該特征。

Figure 1 Statistics of passive verbs with different values of xi1，xi2圖1 xi1、xi2 取不同閾值時整個數(shù)據(jù)集特殊動詞的統(tǒng)計

（6）雙引號內(nèi)外情感模糊。Reyes A 等人在文獻［9］中強調(diào)情感模糊是反語效果的重要表現(xiàn)，但是他們的工作是以基于英文的Saif M［17］工作為基礎(chǔ)的，而中英文語言差異大，所以無法直接借鑒他們的工作。然而，在中文中用戶經(jīng)常將情感詞放入引號中，用褒義詞表達貶義或者用貶義詞表達褒義，所以引號內(nèi)外的情感通常不一致。本文通過設(shè)計公式（1）來計算引號內(nèi)外情感模糊。

其中，Xin表示微博X引號內(nèi)的詞語集合，Xout表示微博X引號外的詞語集合，P表示褒義情感詞典，N表示貶義情感詞典，|＊|表示集合中元素個數(shù)。例如，某微博雙引號內(nèi)有積極詞匯而雙引號外有貶義詞匯或者該微博雙引號內(nèi)有貶義詞匯而雙引號外有褒義詞匯，那么引號內(nèi)外情感模糊Amb（X）為1。

4 實驗

4.1 數(shù)據(jù)與實驗設(shè)置

在中文微博平臺的新浪微博上，用戶可以發(fā)布最多140字的微博。一條微博除了正常的文字以外還可以包括“＠〈用戶〉”、“＃主題?！?、URLs等。其中在第2節(jié)中已說明“＠〈用戶〉”在中文微博中無法作為特征識別反語。因為在新浪微博中分享功能會自動包含原網(wǎng)頁的URLs，所以URLs在本文中也作為噪聲過濾掉。

和Twitter不同，中文微博平臺的用戶幾乎不使用注釋（＃sarcasm，＃sarcastic）表明該微博是反語或者其他情感分類，所以只能通過手動標(biāo)注。為了檢測整個特征體系的有效性，我們從新浪微博平臺獲取的微博中標(biāo)記了300條反語和28 545條非反語。

一元文法特征提取過程中的分詞工具使用Java 開 源 分 詞 工 具ansj（https：//github.com/NLPchina/ansj＿seg）。微博長度特征中的短微博的長度小于10，中等長度的微博長度介于10 到20，長微博的長度大于20。我們在實驗中也嘗試了將微博的長度設(shè)置成其他閾值，但是閾值取10和20時實驗結(jié)果最好。雙引號內(nèi)外情感模糊度特征提取過程中的情感詞典使用臺灣大學(xué)NTUSD實驗 室 整 理 的 情 感 詞 典（http：//ccf.datatang.com）。

4.2 各特征的信息增益

我們首先通過信息增益IG（Information Gain）對比了中文特有的諧音詞、連續(xù)的標(biāo)點符號、微博長度、動詞被動化和雙引號內(nèi)外情感模糊度等五種特征對反語識別的影響程度。因為實驗數(shù)據(jù)不平衡，所以實驗首先從非反語集中隨機抽取300條數(shù)據(jù)和反語集組成實驗數(shù)據(jù)集，此過程重復(fù)進行20次，然后比較各特征對在不同數(shù)據(jù)集上的信息增益以及各特征在不同數(shù)據(jù)集上的穩(wěn)定性，實驗結(jié)果如圖2所示。

Figure 2 Information gain of each feature based on 20different data sets圖2 20組數(shù)據(jù)各特征的信息增益的箱線圖

圖2中，中文特有的諧音詞特征的信息增益最高，基本達到0.05左右，動詞被動化特征的信息增益最平穩(wěn)，穩(wěn)定在0.04左右，連續(xù)的標(biāo)點符號特征的信息增益基本也達到了0.03左右。雙引號內(nèi)外情感模糊度的信息增益很低，只有0.02左右，可能由于特征提取的方法過于簡單，或者情感詞典的不完整等原因?qū)е略撎卣餍畔⒃鲆嫫?。在我們?nèi)斯?biāo)記反語語料時該特征是一個重要的依據(jù)，所以盡管信息增益較低，我們?nèi)匀粚⒃撎卣骷{入我們的識別特征體系。微博長度的信息增益很不穩(wěn)定，最高可達到0.14，最低幾乎為0。

4.3 微博長度對識別準(zhǔn)確率的影響

由于微博長度的信息增益不穩(wěn)定而微博長度確實會影響反語的識別，所以本文通過區(qū)分反語和不同長度的非反語微博驗證微博長度對反語識別的影響。本文從非反語中隨機抽取300條特定長度的微博和反語集組成數(shù)據(jù)集，然后使用決策樹分類器和5倍交叉驗證測試數(shù)據(jù)集，實驗結(jié)果如圖3所示。

Figure 3 Precision comparison based on different lengths of microblogs圖3 區(qū)分反語和不同長度非反語的準(zhǔn)確率的箱線圖

圖3中，區(qū)分反語和短微博的非反語集任務(wù)的準(zhǔn)確率基本穩(wěn)定于0.8左右，而區(qū)分反語和中等長度的非反語集任務(wù)的準(zhǔn)確率徘徊于0.75左右，最后區(qū)分反語和長微博的非反語集任務(wù)的準(zhǔn)確率卻大都低于0.7。由此可見，識別反語的難度確實和微博的長度有關(guān)聯(lián)，實驗結(jié)果和張林等人的結(jié)論基本一致。

4.4 不同分類器在特征集合上的有效性

最后本節(jié)將通過反語識別任務(wù)檢測整個特征體系和僅有一元文法特征的有效性，實驗使用五種經(jīng)典的分類器：支持向量機（SVM）、決策樹（C4.5）、樸素貝葉斯（NB）、邏輯斯蒂回歸（LR）和隨機森林（RF）。該實驗數(shù)據(jù)集包括300條反語集和從非反語集中任意抽取300條數(shù)據(jù)。分類器使用5倍交叉驗證進行測試。實驗結(jié)果如表2和表3所示。

Table 2 Comparison of precision，recall rate and F－measure of the five classifiers when all proposed features are under consideration表2 在整個特征體系下五種分類器實驗結(jié)果對比

Table 3 Comparison of precision，recall rate and F－measure of the five classifiers when Bag－of－Words only is under consideration表3 只在一元文法特征下五種分類器的實驗結(jié)果對比

由表2可知，決策樹分類器在準(zhǔn)確率、召回率和F值都要高于支持向量機、樸素貝葉斯以及隨機森林，而邏輯斯蒂回歸分類器在準(zhǔn)確率和F值都比決策樹分類器高。對比表2和表3可知，對特征維數(shù)不敏感的SVM 在添加少數(shù)新特征的情況下，分類器的性能提高最多，而樸素貝葉斯的性能提高最低。

4.5 不同分類器在特征集合上的穩(wěn)定性

由于反語集小而非反語集比較大，所以本文從非反語集中隨機抽取300條數(shù)據(jù)和反語集組成實驗數(shù)據(jù)集，此過程重復(fù)進行20次得到20組實驗數(shù)據(jù)集，測試五種分類器在該任務(wù)中的穩(wěn)定性。圖4、圖5和圖6 統(tǒng)計了20 組實驗五種分類器準(zhǔn)確率、召回率和F值的四分位數(shù)。支持向量機分類器雖有很好的準(zhǔn)確率，但是召回率和F值極不穩(wěn)定。決策樹和邏輯斯蒂回歸分類器的準(zhǔn)確率、召回率和F值都要比樸素貝葉斯和隨機森林分類器高。決策樹分類器的召回率和F值比邏輯斯蒂回歸高，但是決策樹的準(zhǔn)確率不及邏輯斯蒂回歸分類器的。

Figure 4 Precision comparison of the five classifiers based on 20data sets圖4 20組實驗各分類器準(zhǔn)確率的箱線圖

Figure 5 Recall rate comparison of the five classifiers based on 20data sets圖5 20組實驗各分類器召回率的箱線圖

Figure 6 F－measure comparison of the five classifiers based on 20data sets圖6 20組實驗各分類器F 值的箱線圖

5 結(jié)束語

本文主要研究中文微博中反語識別的可計算化問題。在考慮中文語言特性和微博語言表達特性的基礎(chǔ)上，構(gòu)建了基于一元文法的詞匯特征、中文特有的諧音詞、連續(xù)標(biāo)點符號、微博長度、動詞被動化和雙引號內(nèi)外情感模糊等六種特征，并實驗驗證了該特征體系在識別反語中的有效性和穩(wěn)定性。

在未來的工作里，基于上述實驗中表現(xiàn)出的不足，我們將改進部分特征的提取方法和條件，我們還需從更深層次挖掘識別反語的特征。研究針對不同特征空間表示的分類算法和構(gòu)建更豐富的反語語料庫也是我們下一步重點研究的工作。

［1］ Tang Y J，Chen H.Chinese irony corpus construction and ironic structure analysis［C］∥Proc of the 25th International Conference on Computational Linguistics：Technical Papers，2014：1269－1278.

［2］ Liu Zheng－guang.A critique of irony theories［J］.Journal of PLA University of Foreign Language，2002，22（4）：16－18.（in Chinese）

［3］ Gibbs R W，Colston H L.Irony in language and thought：A cognitive science reader［M］.New York：Lawrence Erlbaum Associates，2007.

［4］ Utsumi A.A unified theory of irony and its computational formalization［C］∥International Conference on Computational Linguistics，1996：962－967.

［5］ Xiang Li.Irony illustrated：A cross－cultural exploration of situational irony in China and the United States［M］.New York：Sino－Platonic Papers，2008.

［6］ González－Ibá?ez R，Muresan S，Wacholder N.Identifying sarcasm in Twitter：A closer look［C］∥Proc of the 49th Annual Meeting of the Association for Computational Linguistics，2011：581－586.

［7］ Reyes A，Rosso P，Buscaldi D.From humor recognition to irony detection：The figurative language of social media［J］.Data ＆Knowledge Engineering，2012，74（3）：1－12.

［8］ Reyes A，Rosso P，Veale T.A multidimensional approach for detecting irony in Twitter［J］.Language Resources ＆Evaluation，2013，47（1）：239－268.

［9］ Reyes A，Rosso P.Making objective decisions from subjective data：Detecting irony in customer reviews［J］.Decision Support Systems，2012，53（4）：754－760.

［10］ Burfoot C，Baldwin T，Burfoot C.Automatic satire detection：Are you having a laugh？［C］∥Proc of the Joint Conference of the 47th Annual Meeting of the ACL，2009：161－164.

［11］ Vanin A A，F(xiàn)reitas L A，Vieira R，et al.Some clues on irony detection in tweets［C］∥WWW 2013 Companion，ACM 978－1－4503－2038－2，2013：635－636.

［12］ Francesco B，F(xiàn)rancesco R，Horacio S.Italian irony detection in Twitter：A first approach［C］∥Proc of the 1st Conference on Computational Linguistics，2014：28－32.

［13］ Tsur O，Davidov D.Icwsm－agreat catchy name：Semi－supervised recognition of sarcastic sentences in product reviews［C］∥Proc of the International AAAI Conference on Weblogs ＆Social，2010：162－169.

［14］ Davidov D，Tsur O.Semi－supervised recognition of sarcastic sentences in Twitter and Amazon［C］∥Proc of the 14th Conference on Computational Natural Language Learning，2010：107－116.

［15］ Carvalho P，Sarmento L.Clues for detecting irony in usergenerated contents：oh...?。t’s"so easy"；－）［C］∥Proc of the 1st International CIKM Workshop on Topic－Sentiment Analysis for Mass Opinion Measurement（TSA’09），2009：53－56.

［16］ Zhang Lin，Qian Guan－qun，F(xiàn)an Wei－guo，et al.Sentiment analysis based on light reviews［J］.Journal of Software，2014，25（12）：2790－2807.（in Chinese）

［17］ Saif M，Dunne C，Bonnie D.Generating high－coverage semantic orientation lexicons from overtly marked words and a thesaurus［C］∥Proc of the 2009Conference on EMNLP，2009：599－608.

附中文參考文獻：

［2］ 劉正光.反語理論綜述［J］.解放軍外國語學(xué)院學(xué)報，2002，22（4）：16－18.

［16］ 張林，錢冠群，樊衛(wèi)國，等.輕型評論的情感分析研究［J］.軟件學(xué)報，2014，25（12）：2790－2807.