許 欣，余 杉（.北方工業(yè)大學 信息學院，北京 0044；.鎮(zhèn)江毓秀智教科技有限公司，江蘇 鎮(zhèn)江 0）

0 引言

隨著信息技術(shù)的飛速發(fā)展和移動互聯(lián)網(wǎng)的迅速普及，互聯(lián)網(wǎng)已經(jīng)走進千家萬戶，成為人們生活的一部分。過去主流的購物場所是線下實體店，網(wǎng)購這種方式由于商品質(zhì)量難以得到保證，比起商品的廣告和圖文介紹，人們更愿意通過其他消費者的評論信息來了解商品的詳細信息。豐富的評論信息可以降低網(wǎng)絡購物的不安全性。對于商家層面，商家可以實時通過這些評論得到真實的用戶反饋，了解商品的優(yōu)點、缺點和消費者口碑，從而判斷商品存在哪些問題，制定合理的銷售策略[1]。

圖1 數(shù)據(jù)集部分截圖Fig.1 Screenshot of part of the data set

利用人工智能以及自然語言處理領域的相關技術(shù)，從這些主觀信息評價中智能地挖掘出網(wǎng)民對某份商品的態(tài)度和情緒，并分析出對整個商業(yè)和社會有價值的信息，是當今熱門且很有意義的研究課題[2]。

1 相關研究及本文研究方法

至今，特定領域情感分析研究大體可分為兩類：一類是利用傳統(tǒng)語言處理手段，針對特殊場景開展情感分析任務，主要通過人工構(gòu)建情感字典[3,4]。這種方法工藝繁瑣復雜，準確率低；另一類是利用神經(jīng)網(wǎng)絡對通用場景開展情感分析任務，這種方法僅提取淺層語義，對不同場景不同含義的歧義詞識別率差。本文采用深度學習結(jié)合預訓練模型，對特殊場景語言表達進行深層次語義提取，以此開展情感分析任務[5,6]。

2 數(shù)據(jù)集構(gòu)建

構(gòu)建數(shù)據(jù)集所用的商品評論信息來源于2019年國內(nèi)7家主流電商平臺部分商品的文本評價信息，共計40萬條，數(shù)據(jù)集如圖1所示。隨后，對數(shù)據(jù)集數(shù)據(jù)進行數(shù)據(jù)預處理操作，數(shù)據(jù)預處理流程圖如圖2所示，包括異常字符處理、表情轉(zhuǎn)義處理、平臺數(shù)據(jù)標準化、數(shù)據(jù)去重、無價值數(shù)據(jù)剔除等步驟。最終完成數(shù)據(jù)集搭建工作，數(shù)據(jù)集共計21萬條評論數(shù)據(jù)。在數(shù)據(jù)長度分布方面：80%數(shù)據(jù)長度集中在10～26個字符區(qū)間內(nèi)，數(shù)據(jù)集數(shù)據(jù)平均長度為18個字符。數(shù)據(jù)情感傾向分布方面：96%的評論數(shù)據(jù)為正面評論，4%為負面評論。因此，存在嚴重的數(shù)據(jù)不平衡情況。

圖2 數(shù)據(jù)預處理流程圖Fig.2 Data preprocessing flowchart

3 模型構(gòu)建

下面將詳細描述本研究中用于情感分析的基本語言模型BERT，以及用于分類的損失函數(shù)。

3.1 BERT

BERT是一種基于雙向Transformer的通用語言模型，它基于self-attention機制捕捉長距離信息，生成文本語義級別的詞向量，核心計算公式如下：

圖3 Transformer結(jié)構(gòu)示意圖Fig.3 Schematic diagram of transformer structure

BERT使用33億單詞以及25億維基百科和8億文本語料的大型語料庫進行預訓練來提高其語義提取能力。在訓練過程中，BERT通過使用[mask]標記隨機替換文本字符，再通過模型預測原始字符，提高其對語義的理解與預測能力。BERT核心Transformer的結(jié)構(gòu)如圖3所示[6-8]。

為了將BERT應用于情感分析任務[9,10]，首先使用大量評論數(shù)據(jù)對BERT進行fine-tuning訓練，通過WordPiece masking（MLM）與Next Sentence Prediction（SEQ）任務，提高模型在電商評論領域的通用語義提取能力，隨后將BERT模型的輸入[CLS]句首標記作為分類器的輸入[11-13]。

3.2 損失函數(shù)

3.2.1 Cross Entropy Loss（CEL）

BERT在解決分類問題的損失函數(shù)時，通常采用Cross Entropy Loss（交叉熵損失）[14,15]。在這項研究中，使用Eq表示二元交叉熵損失，公式如下：

對于本項目數(shù)據(jù)分布嚴重不平衡問題，二元交叉熵損失函數(shù)會嚴重偏向易分類類別，導致數(shù)據(jù)量少的類別對于總損失貢獻甚微[16,17]。為解決由每個類別數(shù)據(jù)規(guī)模導致的數(shù)據(jù)不平衡問題，引入權(quán)值α∈[0,1]來調(diào)整損失平衡，經(jīng)過多次試驗，發(fā)現(xiàn)可以使用每個類別包含數(shù)據(jù)規(guī)模的倒數(shù)作為α的實際值，公式如下：

3.2.2 Focal Loss（FL）

Focal Loss是圖像處理領域中目標檢測問題的一個有效的損失函數(shù)[18,19]。在目標檢測問題中，背景占據(jù)了圖像的很大一部分，因此很難識別特定目標。Focal Loss在損失函數(shù)基礎上引入一個調(diào)制因子γ，用來區(qū)分每個類的識別難度。公式如下：

由于調(diào)制因子的作用，模型減弱了容易識別類的錯誤貢獻，并防止了壓倒性的損失函數(shù)。這使得模型可以更有效地集中在難以識別的類別。

4 實驗

在本次實驗中，采用google公開的BART與訓練參數(shù)Bert_base_chinese （num_transformer=12;hidden_size=768;num_transformer_block=12），比較了使用不同損失函數(shù)的分類器在情感分析問題的性能，使用的損失函數(shù)如下：

◇ BSE loss：傳統(tǒng)最大交叉熵損失函數(shù)[20]。

◇ Focal loss：引入權(quán)值與調(diào)制因子的交叉熵損失函數(shù)。

使用的評價指標如下：

◇ F1_Score公式如下：

◇ Accuracy公式如下：

◇ MCC馬修斯系數(shù)。MCC本質(zhì)上是介于-1和+1之間的數(shù)值，1表示預測與真實分布接近，0表示預測為平均，-1表示預測與真實分布相反。MCC，也稱為phi coefficient(phi)系數(shù)。MCC公示如下：

對每個分類器模型分別進行6次實驗，取所有實驗結(jié)果的平均值作為實驗結(jié)果，具體見表1。首先，檢測了使用兩種不同損失函數(shù)的分類器的性能，之后通過改變Focal Loss引入權(quán)值與調(diào)制因子的取值，進行了不同的實驗，以此來驗證不同權(quán)值與調(diào)制因子對模型的性能的影響。隨后選用正負類別規(guī)模不同的數(shù)據(jù)集A、B，分別檢測不同損失函數(shù)分類器的分類效果，以此驗證對于不同程度數(shù)據(jù)不平衡問題，不同損失函數(shù)的貢獻。

由表1可見，通過對比BERT與BERT_Focal_Loss分類效果的差異，表明在數(shù)據(jù)不平衡問題中，增加權(quán)重與調(diào)制因子是有效的。當使用符合數(shù)據(jù)規(guī)模倒數(shù)的權(quán)重時，模型獲得了最好的F1_score與正確率。通過對比模型在A、B數(shù)據(jù)集分類效果的差異，表明對于不同程度的數(shù)據(jù)不平衡問題Focal_Loss的貢獻是不同的，類別規(guī)模相差越大，F(xiàn)ocal_Loss的作用越明顯，并且都超過了Bert模型。因此可以說，增加Focal Loss的模型是通用的。

表1 實驗結(jié)果Table 1 Experimental results

5 結(jié)束語

實驗結(jié)果證明本課題的研究方法是行之有效的，且對電商評論的數(shù)據(jù)不平衡特性進行了有效的研究。根據(jù)訓練結(jié)果來看，模型對于評論信息具有良好的情感分析效果，尤其對于正面評價的樣本具有更高的預測正確率。而對于數(shù)據(jù)規(guī)模較小的負面評論樣本，模型會出現(xiàn)一些輕微的分類錯誤的情況[21]。另一類錯誤情況則是當評論數(shù)據(jù)中同時包含兩種情緒的觀點的時候，模型可能會給出錯誤的分類情況[22]。