張錦鋒 重慶郵電大學(xué)通信與信息工程學(xué)院

1 基于詞向量的情感詞典擴(kuò)充方法

谷歌公司開(kāi)發(fā)的Word2vec是一款主流的開(kāi)源Deep Learning學(xué)習(xí)工具[1-2]。該工具可以將詞語(yǔ)轉(zhuǎn)化為向量，利用深度學(xué)習(xí)的方法，將輸入的文本內(nèi)容轉(zhuǎn)化為M維向量空間中的向量運(yùn)算，通過(guò)訓(xùn)練，輸出為詞匯向量的集合，文本語(yǔ)義上的相似度表示向量空間上的相似度。通過(guò)處理之后的向量能夠進(jìn)行自然語(yǔ)言處理相關(guān)的研究，本文利用詞向量計(jì)算未知情感詞和來(lái)自Sentiwordnet情感詞典的情感詞匯的余弦值來(lái)判斷其情感得極性，從而來(lái)擴(kuò)充情感詞典。

2 基于特征組合的SVM文本情感分析

2.1 文本預(yù)處理

文本預(yù)處理主要是對(duì)文本進(jìn)行分詞，剔除情感色彩不明顯的虛詞，并對(duì)文本詞性標(biāo)注，從而使得計(jì)算機(jī)能夠識(shí)別文本。文本預(yù)處理主要涉及文本分詞、停用詞處理以及詞性標(biāo)注等操作。英文中單詞之間是以空格或者標(biāo)點(diǎn)符號(hào)分割的，利用腳本語(yǔ)言Python同時(shí)調(diào)用開(kāi)源工具NLTK易于實(shí)現(xiàn)英文文本中的分詞以及詞性標(biāo)注。

2.2 文本表示模型

本文選擇向量空間模型(VectorSpaceModel)。VSM基本思想是將文本文檔看成由一組有區(qū)分文本情感類(lèi)別能力的詞或者短語(yǔ)特征項(xiàng)構(gòu)成，每個(gè)特征項(xiàng)的權(quán)重是根據(jù)該特征對(duì)文檔情感分類(lèi)的重要程度計(jì)算而來(lái)的。例如向量空間中表示文本d的一個(gè)n維向量如公式(1)所示。

2.3 特征提取與特征選擇

文本特征被認(rèn)為是文本表示時(shí)可處理的最小單位。特征提取的優(yōu)劣間接影響到分類(lèi)模型的分類(lèi)效果，為了最終訓(xùn)練一個(gè)性能好的SVM模型，本文選提取文本特征包括bigram、情感詞、POS、否定詞、程度副詞以及特殊標(biāo)點(diǎn)符號(hào)。

特征選擇就是從原始特征項(xiàng)中選出可以用盡量少數(shù)目、能最大化的表示文本信息而且盡可能區(qū)別于其他類(lèi)別文本的特征項(xiàng)。本文選擇卡方檢驗(yàn)(CHI)表征特征與類(lèi)別的相關(guān)度。

2.4 支持向量機(jī)(SVM)分類(lèi)算法

Mullen和Collier[3]基于短語(yǔ)語(yǔ)義傾向性信息、形容詞、文本主題知識(shí)等多種信息源，采用支持向量機(jī)模型對(duì)電影評(píng)論進(jìn)行情感分類(lèi)。Gamon[4]利用對(duì)數(shù)似然比進(jìn)行特征選擇，使用支持向量機(jī)模型對(duì)顧客反饋數(shù)據(jù)進(jìn)行情感分析。

支持向量機(jī)算法(Support Vector Machines, SVM)是一種二類(lèi)分類(lèi)模型。支持向量機(jī)的學(xué)習(xí)策略就是最大間隔化，可形式化為一個(gè)求解凸二次規(guī)劃的問(wèn)題，也等價(jià)于正則化的合頁(yè)損失函數(shù)的最小化問(wèn)題。為了描述的便利，本部分只考慮二分類(lèi)問(wèn)題，如圖1所示，存在分類(lèi)面(H1、H2)可將兩類(lèi)數(shù)據(jù)分開(kāi)，距離訓(xùn)練數(shù)據(jù)最遠(yuǎn)的分類(lèi)面被SVM認(rèn)為是最優(yōu)分類(lèi)面(H)，該最遠(yuǎn)距離稱(chēng)為幾何間隔(Margin)，支持向量就是距離最優(yōu)分類(lèi)面最近的點(diǎn)（圖1中顏色較深的點(diǎn)）。

圖1 支持向量機(jī)原理圖

3 實(shí)驗(yàn)與結(jié)果分析

3.1 評(píng)價(jià)指標(biāo)

本次實(shí)驗(yàn)使用信息檢索領(lǐng)域的準(zhǔn)確率P[5]作為為評(píng)價(jià)指標(biāo)，針對(duì)分類(lèi)問(wèn)題中的各類(lèi)分別計(jì)算，從而來(lái)驗(yàn)證實(shí)驗(yàn)效果。計(jì)算公式如下：

其中a表示正確判斷為積極評(píng)論的數(shù)量，b表示將消極評(píng)論誤判為積極評(píng)論的數(shù)量。

3.2 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

本文利用網(wǎng)絡(luò)爬蟲(chóng)從來(lái)自VOA(VoiceOfAmerican)、BB C(BritishBroadcastingCorporation)網(wǎng)站抓取新聞文本評(píng)論經(jīng)過(guò)清洗后作為實(shí)驗(yàn)數(shù)據(jù)，干凈的新聞文本評(píng)論數(shù)據(jù)共計(jì)24000條，其中積極評(píng)論數(shù)量和消極評(píng)論數(shù)量各占一半。本文從兩萬(wàn)多條數(shù)據(jù)中選取20000條評(píng)論數(shù)據(jù)作為訓(xùn)練集，4000條評(píng)論數(shù)據(jù)作為測(cè)試集。

本文積極評(píng)論和消極評(píng)論的樣本數(shù)量相等，訓(xùn)練數(shù)據(jù)樣本是均衡的，這樣訓(xùn)練出來(lái)的模型比較有說(shuō)服力。當(dāng)輸入的積極和消極樣本數(shù)量不平衡，容易導(dǎo)致模型分類(lèi)到其中一個(gè)類(lèi)別的概率較大，如此模型的分類(lèi)性能指標(biāo)偏差。

3.3 實(shí)驗(yàn)結(jié)果分析

由于程度副詞、否定詞和標(biāo)點(diǎn)符號(hào)單獨(dú)作為分類(lèi)模型的特征沒(méi)有實(shí)際的意義，所以需要和情感詞搭配起來(lái)使用。

說(shuō)明：特征1：詞性

特征2：情感詞

特征3：POS+情感詞

特征4：POS+情感詞+bigram

特征5：POS+情感詞+bigram+否定詞

特征6：POS+情感詞+bigram+否定詞+程度副詞

特征7：POS+情感詞+bigram+否定詞+標(biāo)點(diǎn)符號(hào)

作為對(duì)比試驗(yàn)，該實(shí)驗(yàn)測(cè)試SVM(SVC、LinearSVC、NuSVC)、樸素貝葉斯 NB(BernoulliNB、MultinomiaNB)和邏輯斯蒂回歸(LogisticRegression)三類(lèi)五種經(jīng)典機(jī)器學(xué)習(xí)方法對(duì)文本情感分類(lèi)性能的影響，使用CHI特征選擇方法。實(shí)驗(yàn)如表1所示。

表1 不同分類(lèi)器在不同特征組合下的分類(lèi)準(zhǔn)確率

由表1可知，特征6即詞性、情感詞、bigram、否定詞和程度副詞的組合特征作為分類(lèi)的特征時(shí)，分類(lèi)效果最好，其中NuSVC的分類(lèi)準(zhǔn)確率達(dá)到87.92。分析7個(gè)特征可知，其中情感詞的作用最大，對(duì)于NuSVC基于特征1分類(lèi)準(zhǔn)確率提高了22.63%，其次，詞性特征使得準(zhǔn)確率提高了2.27%，bigram特征使準(zhǔn)確率提高了7.14%，否定詞對(duì)分類(lèi)效果也起到一定的作用，使分類(lèi)準(zhǔn)確率提高了0.91%，程度副詞同樣有一定效果，分類(lèi)準(zhǔn)確率提高了0.42%，然而作為特征的特殊符號(hào)，使得分類(lèi)準(zhǔn)確率稍微有些下降，說(shuō)明特殊符號(hào)不適合作為SVM分類(lèi)模型的特征。

4 總結(jié)

本文提出的基于機(jī)器學(xué)習(xí)算法SVM結(jié)合擴(kuò)充情感詞典，多特征的組合包括POS、情感詞、bigram、否定詞、程度副詞等語(yǔ)言學(xué)知識(shí)，使用VOA、BBC新聞評(píng)論語(yǔ)料，通過(guò)組合特征訓(xùn)練文本情感分類(lèi)模型，進(jìn)行新聞評(píng)論文本情感分類(lèi)模型的性能評(píng)估，從而驗(yàn)證組合特征分類(lèi)性能。試驗(yàn)表明組合特征6使SVM分類(lèi)較其他算法在分類(lèi)準(zhǔn)確率上有一定的優(yōu)勢(shì)，準(zhǔn)確率達(dá)到87.92%。

[1]Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[C].Proceedings of Workshop at International Conference on Learning Representations, 2013.

[2]Mikolov T, Sutskever I, Chen K, et al. Distributed Representations of Words and Phrases and their Compositionality[J]. Advances in Neural Information Processing Systems, 2013, 26: 3111-3119.

[3]Mullen, T., and Collier, N. Sentiment analysis using support vector machines with diverse information sources.In Proceedings of EMNLP. 2004, 4: 412-418.

[4]Gamon, M. Sentiment classification on customer feedback data: noisy data, large feature vectors, and the role of linguistic analysis. In Proceedings of the 20th international conference on Computational Linguistics. Association for Computational Linguistics, 2004.

[5]Kumar S, Gupta P. Comparative analysis of intersection algorithms on queries using precision, recall and f-score[J].International Journal of Computer Applications, 2015,130(7): 28-36.