趙冬梅，李 雅，陶建華，顧明亮

(1. 江蘇師范大學(xué) 物理與電子工程學(xué)院，江蘇 徐州 221116；2. 中國科學(xué)院 自動化研究所 模式識別國家重點(diǎn)實(shí)驗(yàn)室，北京 100101)

0 引言

情感分析旨在從文本中挖掘出用戶對某一熱點(diǎn)問題或者產(chǎn)品性能的觀點(diǎn)信息。在實(shí)際應(yīng)用中不僅可以幫助電商企業(yè)評估產(chǎn)品的市場價值，也可以幫助政府部門做好輿情監(jiān)控等任務(wù)。因此，文本情感分析越來越受到關(guān)注，并成為自然語言處理領(lǐng)域的重要課題之一[1]。

在傳統(tǒng)的情感分析中，研究者們往往只關(guān)注評論內(nèi)容的重要性。根據(jù)絕大多數(shù)推薦網(wǎng)站上產(chǎn)品評論信息中提供的評價用戶信息及其喜好信息，可以發(fā)現(xiàn)同一用戶評論數(shù)據(jù)的情感極性比來自不同用戶的情感極性更傾向于一致。因此，將用戶及被評價的產(chǎn)品信息融入情感分類的任務(wù)中至關(guān)重要。

目前已有研究者考慮在模型中加入用戶及產(chǎn)品信息。例如，將用戶、產(chǎn)品以及評論數(shù)據(jù)特征基于詞袋模型輸入不同的分類器中進(jìn)行探究[2]。也有使用概率模型獲取用戶的興趣分布和文本內(nèi)容分布[3]。而隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺、語音識別、自然語言處理領(lǐng)域的成功應(yīng)用，基于深度學(xué)習(xí)的模型越來越成為情感分析的主流方法。通過神經(jīng)網(wǎng)絡(luò)可以提取出文本中更豐富的語義信息以及包含的用戶、產(chǎn)品信息。但目前大多數(shù)模型都是將用戶和產(chǎn)品信息加入文本中一起輸入模型訓(xùn)練，這樣不僅使評論內(nèi)容失去原本的語義，且導(dǎo)致用戶個性等信息也沒能被提取出來。

由于成長環(huán)境、教育背景等差異，不同用戶的性格習(xí)慣存在一定區(qū)別。評價產(chǎn)品時，用戶會對喜歡的物品打高分，對不喜歡的物品打低分，但也存在用戶對喜歡或不喜歡的物品都選擇低分或者高分，這就凸顯了用戶的個性信息。本文提出LSTM-CFA模型，通過使用推薦系統(tǒng)中協(xié)同過濾算法從用戶和產(chǎn)品信息中提取出用戶興趣分布信息，并將此信息作為模型的注意力機(jī)制。在使用層次LSTM模型的過程中，指導(dǎo)詞語級別和句子級別的特征表示，以提高文檔級別的情感分類任務(wù)。

本文的創(chuàng)新點(diǎn)主要有以下兩個方面：

(1) 使用協(xié)同過濾算法，充分挖掘用戶的個性以及產(chǎn)品信息，將其作為模型的注意力機(jī)制。

(2) 使用奇異值分解(SVD)對稀疏矩陣進(jìn)行優(yōu)化分解，得到用戶個性矩陣和產(chǎn)品信息矩陣。

1 相關(guān)工作介紹

情感分析任務(wù)作為自然語言處理領(lǐng)域的重要課題之一，旨在從文本中挖掘出主題或者用戶觀點(diǎn)等情感信息。劃分出的情感類別可以是積極和消極，也可以像影評數(shù)據(jù)集中那樣使用0—10表示級別。

近幾年，由于神經(jīng)網(wǎng)絡(luò)模型有較好的文本表示能力，開始被引用到自然語言處理領(lǐng)域解決實(shí)際問題。Hinton最早提出將非結(jié)構(gòu)化的文本映射到低維實(shí)值空間中[4]，演變成現(xiàn)在的詞向量。詞向量可以從文本中提取有效的語義信息并計(jì)算出詞語之間的相似性。Mikolov提出Word2Vec工具將獲取詞向量方法變得更加方便有效[5]，隨后又提出了基于文檔的Paragraph工具，給文檔表示提供了很大的幫助。

在情感分類任務(wù)中，Socher等人使用一系列的遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)文本表示方法，包括遞歸自編碼模型(recursive autoencoders, RAE)[6]、矩陣向量遞歸神經(jīng)網(wǎng)絡(luò)(matrix-vector recursive neural network, MVRNN)[7]、遞歸神經(jīng)張量網(wǎng)絡(luò)(recursive neural tensor network, RNTN)[8]，在斯坦福語料(Stanford sentiment treebank, SST)上獲得5.4%提高。Kim參考圖像領(lǐng)域的卷積神經(jīng)網(wǎng)絡(luò)模型(convolutional neural network, CNN)修改并加入滑動窗口提取不同的文本特征，用來解決文本分類以及情感分類問題，取得很好的效果[9]。Kalchbrenner等人提出動態(tài)的CNN模型，使用動態(tài)的池化層處理不同句長的句子[10]。另外，循環(huán)神經(jīng)網(wǎng)絡(luò)(recursive neural network, RNN)在時序數(shù)據(jù)上的不俗表現(xiàn)使其在自然語言處理領(lǐng)域廣受歡迎。Tai等人建立了樹結(jié)構(gòu)的LSTM模型用來處理情感分類任務(wù)[11]。Tang等人構(gòu)建層次的LSTM模型來表示不同級別的特征信息，在文檔分類任務(wù)中效果較好[12]。注意力模型可以模擬人類注意力運(yùn)行機(jī)制在圖像領(lǐng)域取得不俗的表現(xiàn)，在自然語言處理領(lǐng)域中可以通過注意力機(jī)制從詞語或句子中提取出更重要的信息作為特征[13]。

2 模型及算法介紹

對比已有的基于用戶和產(chǎn)品的情感分析模型[14]，本文提出了基于協(xié)同過濾注意力機(jī)制的情感分析模型(long short time memory cooperative filter attention, LSTM-CFA)。使用推薦系統(tǒng)中的協(xié)同過濾算法(cooperative filter, CF)以獲得用戶興趣分布矩陣，再將此矩陣作為LSTM模型的注意力機(jī)制(attention)，模型結(jié)構(gòu)如圖1所示。實(shí)驗(yàn)主要流程為： 首先將訓(xùn)練好的詞向量作為第一層LSTM模型輸入，將得到的隱藏層結(jié)合注意力機(jī)制表示成句子向量，再把句子向量通過第二層LSTM模型得到句子隱藏層，然后再次結(jié)合注意力機(jī)制得到文檔表示特征，通過全連層后利用softmax層完成情感分析工作。

2.1 基于層次LSTM特征表示模型

循環(huán)神經(jīng)網(wǎng)絡(luò)可以通過鏈?zhǔn)缴窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)傳播歷史信息。在處理時序數(shù)據(jù)時，它每次能看到當(dāng)前的輸入xt以及上一時刻輸出的隱藏狀態(tài)ht-1。 然而在訓(xùn)練RNN時，發(fā)現(xiàn)反向傳播算法會導(dǎo)致在長距離傳輸過程中梯度彌散，當(dāng)前信息無法傳遞到時間t以外的節(jié)點(diǎn)處，降低對歷史信息的感知力[15]。為了解決這個問題，Hochreiter等提出長短時記憶模型(LSTM)[16]，并在自然語言處理領(lǐng)域有著很好的應(yīng)用效果。

因此，本文使用層次LSTM分別表示句子級別特征和文檔級別特征。首先使用Word2Vec預(yù)訓(xùn)練得到詞向量表示形式，將句中詞語嵌入低維語義空間。每一步中，使用詞向量xt作為輸入，此時的隱藏狀態(tài)ht和當(dāng)前記憶門ct可以由之前的門狀態(tài)ct-1和隱藏狀態(tài)ht-1更新得到。具體過程如式(1)～式(6)所示。

同理，句子級別特征通過第二層LSTM模型后便可以得到文檔的特征表示。

圖1 基于協(xié)同過濾的情感分析模型框架

2.2 基于協(xié)同過濾的注意力機(jī)制模型

協(xié)同過濾算法已被成功運(yùn)用于許多推薦系統(tǒng)中[17]。主要分為，基于用戶相似性的協(xié)同過濾算法和基于物品相似性的協(xié)同過濾算法。本文使用基于物品相似度的方法，通過用戶對已用的物品評分來計(jì)算用戶對與該物品相似的物品評分，以預(yù)測用戶偏好分布并推薦物品。

2.2.1 用戶興趣分布矩陣計(jì)算

本文希望通過協(xié)同過濾算法獲得用戶興趣分布矩陣作為情感分析模型的注意力機(jī)制，文中矩陣計(jì)算步驟如下。

1) 構(gòu)建物品之間的共現(xiàn)矩陣

共現(xiàn)矩陣是表示某一用戶喜歡或評分的物品列表集合。如用戶A評分過的物品有a、b、c、d，那么對于物品a而言，b、c、d均與a共同存在過，即在對應(yīng)的矩陣中標(biāo)1。同理，可以得到物品數(shù)量大小的方陣，其中數(shù)值表示兩物品是否在同一用戶下存在過。對于得到的方陣數(shù)值只有0或者1表示，為了計(jì)算方便，這里使用余弦相似度對共現(xiàn)矩陣做歸一化處理，如式(7)所示。

2) 建立用戶對物品的評分矩陣

將用戶對物品的評分構(gòu)建成矩陣。矩陣行表示用戶，列表示物品，數(shù)值是某一用戶對某物品的打分情況。若沒有打分則記為0，打分則記為相應(yīng)分?jǐn)?shù)，矩陣形式如表1所示，其中ui列表示用戶(i=1…4)，pj行表示產(chǎn)品(j=1…5)。

表1 評分矩陣形式

3) 計(jì)算得到用戶興趣分布矩陣

根據(jù)物品相似度以及打分情況通過式(8)便可以計(jì)算出用戶對沒有打分的物品的喜好程度。

其中，rui表示用戶對物品i的打分。

4) 用戶興趣分布矩陣分解優(yōu)化

根據(jù)以上三個步驟便可以計(jì)算出用戶興趣分布矩陣，該矩陣維度大小為用戶數(shù)量乘以產(chǎn)品數(shù)量。當(dāng)數(shù)據(jù)較多的情況下高維矩陣不僅會影響計(jì)算速度，也會存在稀疏可能。本文使用奇異值分解(SVD)分解法對高維矩陣進(jìn)行分解處理[18]，得到用戶興趣分布矩陣和產(chǎn)品屬性分布矩陣，如式(9)所示。

其中，A表示待分解矩陣，在這里指用戶興趣分布矩陣，U與VT是分解后得到的矩陣。在本文中表示用戶個性矩陣和產(chǎn)品屬性矩陣。

2.2.2 注意力機(jī)制模型

注意力機(jī)制(attention)是松散的基于人腦注意力的一種機(jī)制，在文本中通過自動加權(quán)的方法能夠有效的捕捉到文本中重要的信息。本文中使用用戶興趣分布矩陣作為注意力模型從隱藏狀態(tài)中提取對句子貢獻(xiàn)較大的詞語，用這些詞表征句子的特征。具體計(jì)算如式(10)～式(12)所示。

其中，Wh，Wu，Wp是權(quán)重矩陣，b表示偏置值，u，p表示用戶物品分布矩陣，可以通過奇異值分解用戶興趣分布矩陣得到。uij是打分函數(shù)，計(jì)算詞語的重要程度。通過softmax函數(shù)計(jì)算uw向量的權(quán)重值αij。 最后將αij與對應(yīng)的隱狀態(tài)加權(quán)求和得到句子特征。

同理，句子在不同用戶不同物品間表達(dá)的意義也會有所不同，對于上述得到的句子特征后采用同樣的權(quán)重計(jì)算，即可以得到文檔表示特征d，如式(13)所示。

其中，βi表示句子中句子特征中第i個隱狀態(tài)hi的權(quán)重值，計(jì)算方式參考式(11)。

2.3 文檔情感識別

本文使用LSTM-CFA模型對文檔進(jìn)行情感分析。使用預(yù)訓(xùn)練得到的詞向量作為模型的輸入數(shù)據(jù),使用協(xié)同過濾得到用戶興趣分布矩陣作為模型的注意力機(jī)制。在層次LSTM模型中與隱藏層狀態(tài)結(jié)合，提取重要信息組成文檔特征。

使用交叉熵?fù)p失函數(shù)作為優(yōu)化目標(biāo)函數(shù)，使用反向傳播算法計(jì)算并迭代更新模型參數(shù)，如式(14)所示。

3 實(shí)驗(yàn)

實(shí)驗(yàn)在三個帶有用戶和產(chǎn)品信息的情感數(shù)據(jù)集上對提出方法的有效性進(jìn)行驗(yàn)證。其中，實(shí)驗(yàn)數(shù)據(jù)集的預(yù)處理部分主要將數(shù)據(jù)集按8∶1∶1比例分為訓(xùn)練集、驗(yàn)證集和測試集。

已有研究表明領(lǐng)域內(nèi)語料可以讓詞向量擁有更多領(lǐng)域內(nèi)的語義[19]，因此本文使用Word2Vec工具在實(shí)驗(yàn)數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練詞向量。實(shí)驗(yàn)環(huán)境具體配置數(shù)據(jù)如表2所示。

表2 實(shí)驗(yàn)環(huán)境配置

3.1 數(shù)據(jù)集介紹

數(shù)據(jù)集來自： IMDB，Yelp2013，Yelp2014[20]。其中IMDB數(shù)據(jù)集是用戶對電影的評價內(nèi)容，類別是類似豆瓣網(wǎng)站的星級評分制度，由最差1分至最好10分；后兩者是用戶對商家產(chǎn)品的評價信息。類似星級評價共有五個等級，從最差1分至最好5分制。數(shù)據(jù)集具體信息如表3所示。

表3 數(shù)據(jù)集統(tǒng)計(jì)信息

3.2 評價指標(biāo)

本文使用精準(zhǔn)率(accuracy)衡量分類的整體效果，用平方根誤差(RMSE)衡量預(yù)測值和真值之間的離散程度。計(jì)算如式(15)～式(16)所示。

其中，T表示預(yù)測正確類別的數(shù)量，N表示文檔總數(shù)。gy表示預(yù)測值，py表示真實(shí)值。

3.3 實(shí)驗(yàn)分析

實(shí)驗(yàn)中的對比模型如下：

(1) Majority： 把訓(xùn)練集中用戶使用主要的情感類別作為測試集數(shù)據(jù)的情感類別。

(2) Trigram： 使用unigrams、bigrams以及trigrams作為特征，輸入到分類器SVM中。

(3) TextFeature： 人工設(shè)計(jì)文本特征后使用SVM分類。

(4) AvgWordvec+SVM： 使用Word2Vec學(xué)習(xí)詞向量平均化后作為分類器SVM輸入數(shù)據(jù)[21]。

(5) SSWE(sentiment specific word embeddings) +SVM： 使用Word2Vec學(xué)習(xí)特定的情感詞向量后經(jīng)過池化層的最大化平均化后輸入SVM中。

(6) Paragraph Vector： 使用PVDM解決文檔分類問題[20]。

(7) RNTN+Recurrent： 使用RNTN表示句子特征然后輸入到RNN中分類[8]。

(8) LSTM： 使用實(shí)驗(yàn)中LSTM模型，沒有加入注意力機(jī)制。

(9) UPF(user product feature)： 從訓(xùn)練數(shù)據(jù)集中提取用戶信息特征和產(chǎn)品特征，然后聯(lián)合模型(2)～(3)進(jìn)行分類[14]。

(10) UPNN(user product neural network)： 使用用戶和產(chǎn)品信息輸入CNN模型中分類[22]。

(11) UPDMN(user product deep memory network)： 使用深度記憶網(wǎng)絡(luò)融合用戶和產(chǎn)品信息[23]。

(12) LSTM+CBA(cognition based attention)： 基于注意力的認(rèn)知模型結(jié)合LSTM模型分類[24]。

(13) LSTM-CFA(Cooperative Filter Attention): 本文提出基于協(xié)同過濾注意力機(jī)制的方法。

表4中實(shí)驗(yàn)結(jié)果由兩部分組成，其中第一部分表示模型在只考慮評論內(nèi)容的情況下進(jìn)行的驗(yàn)證，第二部分表示加入用戶信息和產(chǎn)品信息后的實(shí)驗(yàn)結(jié)果。從表4中可以看出：

表4 實(shí)驗(yàn)結(jié)果與對比

(1) 第一部分模型中既有傳統(tǒng)的機(jī)器學(xué)習(xí)方法也有神經(jīng)網(wǎng)絡(luò)模型。在Yelp2013和Yelp2014數(shù)據(jù)集上神經(jīng)網(wǎng)絡(luò)效果提升明顯，可以發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)機(jī)器學(xué)習(xí)相比可以提取出更多的文本語義信息。第二部分模型中加入用戶信息和產(chǎn)品信息后，神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)更加出色，在三個數(shù)據(jù)集上均有很大的提升，可見神經(jīng)網(wǎng)絡(luò)模型在處理時序數(shù)據(jù)時可以表征出更加豐富的文本信息。

(2) 表4中第二部分中LSTM+CBA表示使用認(rèn)知模型作為注意力機(jī)制，在Yelp2014數(shù)據(jù)集上提升3.2%精準(zhǔn)率，可以發(fā)現(xiàn)加入模擬人類認(rèn)知模型對實(shí)驗(yàn)影響較大。本文提出在層次LSTM模型中加入?yún)f(xié)同過濾方法(LSTM-CFA)，從用戶和產(chǎn)品信息中提取出更深層次的用戶個性和產(chǎn)品屬性等信息。在實(shí)驗(yàn)效果中可以發(fā)現(xiàn)本文方法在三個數(shù)據(jù)集上精準(zhǔn)率最高提升3.1%，驗(yàn)證了本文提出方法的有效性。

(3) 表4中LSTM模型表示沒有使用注意力機(jī)制的模型。與加入注意力機(jī)制模型LSTM-CFA模型相比較，在三個數(shù)據(jù)集上分類性能均有明顯提升。其中，在IMDB數(shù)據(jù)集上有8.6%提升?？梢园l(fā)現(xiàn)加入用戶個性信息和產(chǎn)品屬性信息后，模型能夠更加準(zhǔn)確地提取出文本中的信息，以表征文檔特征。這既驗(yàn)證了本文加入注意力機(jī)制模型后的有效性，也表明在評論數(shù)據(jù)集中用戶和產(chǎn)品信息的重要性。

本文針對在協(xié)同過濾(CF)算法中得到的用戶興趣分布矩陣中的稀疏問題，進(jìn)行了優(yōu)化處理。表5是使用不同方法優(yōu)化用戶興趣分布矩陣的結(jié)果的對比。其中CF-DC(direct cut)表示直接對用戶興趣分布矩陣進(jìn)行截取，得到用戶信息矩陣和產(chǎn)品信息矩陣；CF-SVD表示直接使用SVD公式中Σ矩陣保留奇異值較大部分后再分別與U和V矩陣相乘，得到不同維度的用戶信息和產(chǎn)品信息；考慮到稀疏矩陣問題，CF-SVDS表示使用基于ARPACK庫進(jìn)行奇異值分解，該算法主要針對大規(guī)模稀疏矩陣或者結(jié)構(gòu)化矩陣進(jìn)行特征值求解；CF-N(normalization)表示在方法CF-SVDS基礎(chǔ)上對用戶打分?jǐn)?shù)據(jù)進(jìn)行歸一化處理。由表中數(shù)據(jù)可以看出，在Yelp2013和Yelp2014數(shù)據(jù)集上方法CF-SVDS提升較明顯，在IMDB數(shù)據(jù)集上分?jǐn)?shù)數(shù)據(jù)的歸一化處理效果較為明顯。由此驗(yàn)證了本文中對用戶興趣分布矩陣進(jìn)行優(yōu)化方法的有效性。

表5 不同優(yōu)化方法對比

4 結(jié)論

本文提出了基于協(xié)同過濾Attention機(jī)制的情感分析模型。通過協(xié)同過濾中基于物品相似性方法構(gòu)建用戶興趣分布矩陣作為模型注意力機(jī)制，并將經(jīng)過SVD分解優(yōu)化后的矩陣加入層次LSTM模型中。在詞語級別和句子級別中分別提取語義信息，以便更好地完成文檔級別情感分析任務(wù)。根據(jù)在三個數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)在神經(jīng)網(wǎng)絡(luò)模型中加入?yún)f(xié)同過濾算法后可以表征更加豐富的文本信息，并且驗(yàn)證了SVD分解優(yōu)化的重要性。之后的工作我們將著力于進(jìn)一步提升模型的泛化能力。例如,在小樣本、樣本類別不均衡的特殊情況下，擴(kuò)展其適用范圍。