薛雨

（商洛學院人文學院，陜西商洛 726000）

隨著互聯(lián)網(wǎng)的普及與發(fā)展，文化、購物、社交等信息平臺產(chǎn)生了大量的文本資源，這些資源大多由用戶自主上傳，其形式多樣、結(jié)構(gòu)復雜。在這些文本信息中蘊含著豐富的數(shù)據(jù)價值，是描繪用戶畫像的直接資料[1-4]。例如，從文化信息數(shù)據(jù)庫中分析文本信息，可以輔助調(diào)查社會關(guān)系網(wǎng)絡(luò)和文化發(fā)展傾向；從購物網(wǎng)站中爬取用戶對于某件商品的評論信息，可以輔助商家更準確地獲得用戶對該商品的印象，為商家與平臺的營銷策略提供直接支持。在這些需求下，要求計算機通過智能數(shù)據(jù)處理算法準確地理解文本信息所蘊含的情感傾向，以處理海量大數(shù)據(jù)并提取特征數(shù)據(jù)，即文本情感分析，是自然語言處理領(lǐng)域中研究的重要課題之一[5-9]。文中通過將文本片段化，識別出給定文本中所表達的情感傾向及強度。英語是世界通用語言，對于英文情感分析的研究具有更廣闊的應(yīng)用前景。在情感分析時，按照分析對象的不同，可以分為詞、句、篇不同的級別，不同級別的文本分析粒度不同。文中為了提升英文情感分析方法的實用價值，以英文語句為單位進行情感分析研究。

1 理論基礎(chǔ)

1.1 自然語言處理

自然語言處理（NLP）是一項研究人與機器間使用自然語言進行信息交互的技術(shù)理論和方法，是一項融合計算機、語言學、數(shù)學等各個學科的智能方法。不論自然語言處理的目的如何，均要將文本信息轉(zhuǎn)化為詞向量作為模型的輸入，并進行模型的訓練。

經(jīng)典的詞向量訓練有兩種方式：一種是基于語言模型的框架；另一種是基于主題的模型。第一種方法由于得到的詞向量信息中包含語義信息，更適合情感分析的研究[10]。

語言模型可以描述確定文本序列下每個詞序列的出現(xiàn)概率，即對于T長度的字符串向量s為：

P(?)是一個概率模型，將字符串序列中的第j個詞表示為wj。通過模型訓練，輸出式（1）中的條件概率。但在詞訓練的過程中，模型參數(shù)會隨著次數(shù)的增多而增長；詞向量的表述也會隨著向量維度的增長而趨向于稀疏。因此，文中引入了神經(jīng)網(wǎng)絡(luò)進行訓練，即使用Word2vec 框架。

在文檔D中，對于當前詞wij，其上下文Ci以最大后驗概率為目標函數(shù)：

式（2）中，將D中的第j個句子標記為Tj。為了計算條件概率p(wij|Cij;θ)，需要進行詞匯的映射。然后，使用層次Softmax 網(wǎng)絡(luò)，進行條件概率的最大化。過程如圖1 所示[11-16]。

圖1 層次Softmax結(jié)構(gòu)示意圖

層次Sotfmax 結(jié)構(gòu)與一般的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類似，包含輸入層、隱藏層與輸出層。

1）輸入層

在輸入層中，使用詞向量矩陣M記錄當前詞在上下文中的2h個詞向量作為模型的輸入，即：

2）隱藏層

隱藏層用于輸入層各個向量的累加，由節(jié)點wneu1完成匯聚。

3）輸出層

層次型Softmax結(jié)構(gòu)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的最大區(qū)別在于輸出層，其輸出層由二叉樹構(gòu)成。每一個二叉樹的葉子節(jié)點均對應(yīng)一個詞向量w，wneu1與二叉樹中的所有非葉節(jié)點連接，非葉子節(jié)點對應(yīng)一個非詞向量q。對于當前詞向量，其條件概率可以表示為：

在訓練二叉樹時，使用了最小負對數(shù)似然函數(shù)。在誤差反向傳播的過程中，根據(jù)隨機梯度下降的原則進行參數(shù)更新。

此時，詞向量與非詞向量的更新方法如下：

其中，η是模型的學習率，η決定了參數(shù)在梯度下降過程中參數(shù)變化的快慢。

1.2 基于負抽樣的模型優(yōu)化

在分層Softmax 中，為了節(jié)省訓練二叉樹時的計算資源，可以引入負抽樣方法。負抽樣前，需要定義模型中的正樣本與負樣本。文中將wij作為正樣本，將wij替換上下文后的詞作為負樣本。此時，目標函數(shù)可以簡化為：

此時，根據(jù)梯度下降原則：

其中，label用于區(qū)分正負樣本。當樣本是正樣本時，lable=1；當樣本是負樣本時，lable=0。此時梯度為：

同時在引入負抽樣后，文本內(nèi)所有的詞向量可以劃分為上下文詞、中心詞兩類。參數(shù)更新時，對上下文詞更新，中心詞保留在鄰接矩陣Rw內(nèi)，此時的更新方法如下：

1.3 情感相關(guān)詞嵌入

上述模型可以進行詞向量的抽取，但直接抽取的詞向量僅包含少量的情感信息。通過向基礎(chǔ)語言模型內(nèi)嵌入與情感相關(guān)的詞目，可以實現(xiàn)文本的情感分析。此時，損失函數(shù)的形式如下：

其中，正常的詞序列被標記為t，替換后的詞序列為tr。

在該模型中，需要在原有模型的基礎(chǔ)上再增加一個Softmax 層，該層專門用于情感信息的提取。在模型的輸入層，以n-gram作為輸入。此時，式（13）可以寫成：

2 方法實現(xiàn)

文中對自然語言處理的詞向量提取方法結(jié)合情感分析的文本分析模型進行了介紹，接下來文中將結(jié)合具體的語料對上述模型進行仿真。

2.1 實驗設(shè)計

英文情感分析的實現(xiàn)，最重要的是完成基于英文語料的模型訓練[17]，然后通過測試數(shù)據(jù)集進行測試。流程如圖2 所示。

圖2 情感分析方法流程

為了更優(yōu)地發(fā)揮模型的性能，需要合理選擇情感分析時使用的語料資源。文中使用的語料資源為SemEval2013，這是學術(shù)界認可度極高的國際語義測評競賽提供的官方語料。其具體的組成包括訓練集、開發(fā)集與測試集，每個集合由包含肯定、中性和否定的3 種情感傾向組成。情感分析語料參數(shù)如表1 所示。

表1 情感分析語料參數(shù)

在語料的預處理中，需要根據(jù)算法需實現(xiàn)的目的對文本信息進行分詞，標注詞條的屬性以及對于英文中常用的停用詞進行過濾。

文中在進行分詞與詞性標注時，使用中科院發(fā)布的ICTCLAS 分詞標注輔助系統(tǒng)作為依據(jù)。

在進行模型性能評價時，文中使用的指標包括兩類，一類是機器學習算法常用的指標：準確度Accuracy、F1，其定義如下：

其中，f(x)是模型的預測值，y(x)是模型的真實值，|X|為當前數(shù)據(jù)集的輸入值。P、R分別為模型的準確率與召回率：

另一類是與文本分析情感強度相關(guān)的肯德爾等級系數(shù)t，其定義形式如下：

2.2 仿真結(jié)果

在進行算法的仿真時，為了提升算法在英文情感分析時的精度，文中使用深度學習中的卷積神經(jīng)網(wǎng)絡(luò)替代分層Softmax 中的二叉樹。根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)需要，確定使用卷積窗口的大小。為了簡化模型，文中在不同的卷積層使用長度相同的卷積核。表2 給出了模型的性能指標隨卷積核大小的變化情況。

表2 模型指標隨卷積核大小的變化

圖3（a）給出了模型Accuracy 與模型F1 的指標隨著卷積核增加的變化情況，圖3（b）給出了模型的訓練時間隨著卷積核增加的變化情況?？梢钥闯?，模型的精度和F1 值在卷積核小于或等于100 時，隨著卷積核的增長線性提升，當卷積核大于100 后，這兩個指標不再有所改善；此時，觀察模型訓練時間曲線可以看出，模型在卷積核大于100 后，急劇增加。綜上所述，文中在模型訓練時選取的卷積核大小為100。最終確定的模型參數(shù)如表3 所示。

圖3 卷積核大小與模型參數(shù)的關(guān)系

表3 模型參數(shù)設(shè)置

模型訓練完成后，將測試集輸入到模型中，測試數(shù)據(jù)經(jīng)模型運算輸出3 個不同類別的情感預測值。通過與數(shù)據(jù)集的標記進行比對，獲得測試結(jié)果。具體的測試結(jié)果如表4 所示。此外，為了評估模型的性能，文中采用基于二叉樹的分層次Softmax 模型，其結(jié)果如表4 所示。

表4 測試結(jié)果對比

從測試結(jié)果可知，在進行英文文本的情感分析時，對于表示否定的文本，兩個模型均有較優(yōu)的識別精度。對于中性的文本，識別精度較差；從模型的整體性能來看，文中提出的CNN-Softmax 模型由于引入更深層次的卷積結(jié)構(gòu)，在模型的性能上有大幅度提升。Accuracy 與F1 分別達到了84.3%和82.3%，相較于傳統(tǒng)的基于二叉樹的模型有約5%的提升。

3 結(jié)束語

文本情感分析是自然語言處理領(lǐng)域研究的熱點之一，文中對詞向量模型的提取和基于深度卷積神經(jīng)網(wǎng)絡(luò)的文本情感分析方法進行了研究[18]。對于詞向量提取的框架、文中建模方法與情感分析的流程進行了深入的介紹。其在開放的語料集上進行情感分析實驗，仿真結(jié)果證明了文中方法的優(yōu)越性。傳統(tǒng)基于二叉樹Softmax 模型的改造對于英文文本的情感分析，具有較強的實用價值。