陸丁天，張志遠(yuǎn)

(中國民航大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，天津 300300)

0 引 言

近年來，文本情感分析引起學(xué)術(shù)界與工業(yè)界的研究興趣，對帶有各種情感色彩的評論文本進(jìn)行情感分析具有很大的研究和應(yīng)用價(jià)值[1]。

Zhang Y等[2]認(rèn)為文本情感分析建模面臨的主要挑戰(zhàn)是如何捕捉文本的局部語義信息、情感依賴信息以及情感表達(dá)關(guān)鍵部分；于是提出CCLA模型，提取這3類信息特征并融合得到完整的句子特征進(jìn)行情感分析。卷積神經(jīng)網(wǎng)絡(luò)(CNN)更加關(guān)注局部特征，對文本情感分析的準(zhǔn)確率有一定影響[3,4]。RNN能提取文本上下文語義信息，但其存在梯度爆炸和梯度消失問題，故常用LSTM來代替RNN進(jìn)行文本情感分析任務(wù)[5-8]。然而LSTM是一個(gè)有偏模型，其更多注重句子末尾的詞，當(dāng)關(guān)鍵詞不在句子末尾時(shí)，LSTM就無法很好捕獲句子語義信息來進(jìn)行文本分類任務(wù)，于是又常用雙向的LSTM來代替單向的LSTM進(jìn)行文本情感分析任務(wù)[9]。Bahdanau等[10]對Encoder-Decoder神經(jīng)機(jī)器翻譯方式的改進(jìn)引出了注意力機(jī)制。注意力機(jī)制是用來表示文本句子中的詞與輸出結(jié)果之間的相關(guān)性，表示句子中每個(gè)詞與句子相對應(yīng)標(biāo)簽之間的重要程度[11,12]。注意力機(jī)制與深度學(xué)習(xí)模型的結(jié)合大大提高了文本情感分析的效果[13]。

然而，知道情感傾向還需知道其產(chǎn)生的原因，因此目前相關(guān)研究重點(diǎn)正從日趨成熟的文本情感分析向挖掘文本情感的產(chǎn)生原因深入，即文本情感原因發(fā)現(xiàn)[14]。情感原因發(fā)現(xiàn)與抽取最早是由Lee等[15]提出。此后Gao K等[16]提出了基于規(guī)則的詞水平原因提取模型?；谠~水平的情感原因提取任務(wù)的語料庫構(gòu)建需要大量復(fù)雜的標(biāo)注，使得語料庫規(guī)模很小，無法為機(jī)器學(xué)習(xí)提供足夠信息。為此Gui等[17]使用新浪都市新聞建立了一個(gè)帶標(biāo)注且以子句作為原因提取基本單元的語料庫，并提出了一種基于事件驅(qū)動(dòng)的多核SVM情感原因提取方法。即使訓(xùn)練集有限，仍然可以提取足夠的特征進(jìn)行分析。Li X等[18]認(rèn)為情感子句與原因子句之間有相互作用的關(guān)系，于是提出了一種基于多注意力的神經(jīng)網(wǎng)絡(luò)模型(MANN)來捕捉情感分句與候選分句之間的相互關(guān)系。

傳統(tǒng)的情感原因提取需要預(yù)先標(biāo)注情感標(biāo)簽，該方式增加了人工成本，限制了情感原因提取任務(wù)在現(xiàn)實(shí)中的使用。為此Xia R等[19]提出情感-原因?qū)μ崛》椒↖nter-EC，所提方法分兩步，先通過兩個(gè)子任務(wù)分別進(jìn)行情感提取和原因提取，最后得到一個(gè)情感子句集合和原因子句集合；然后通過笛卡爾積將情感子句集和原因子句集構(gòu)造成對，再訓(xùn)練一個(gè)過濾器將沒有包含因果關(guān)系的情感-原因?qū)μ蕹?。此方法為情感原因提取任?wù)的研究提供了一種思路。然而Inter-EC模型存在兩個(gè)問題：①在情感子句提取時(shí)，句子特征不完整，使得情感子句提取效果不夠好；②在原因提取時(shí)，情感和原因之間的聯(lián)系體現(xiàn)的不夠充分，使得原因提取效果不夠好。為此本文在Inter-EC模型的基礎(chǔ)上提出了一種基于注意力的情感子句預(yù)測與原因子句提取模型(emotion prediction & cause extraction model，EPCEM)，實(shí)驗(yàn)結(jié)果表明該模型具有不錯(cuò)的效果。

1 方法描述

1.1 任務(wù)定義

圖1 情感子句預(yù)測與原因子句提取任務(wù)示例

1.2 模型描述

圖2 EPCEM模型

1.2.1 情感子句預(yù)測部分

(1)

(2)

(3)

(4)

為獲得情感表達(dá)的關(guān)鍵部分，將Bi-LSTM的輸出作為注意力層的輸入。注意力機(jī)制的定義如下

(5)

(6)

(7)

(8)

(9)

(10)

(11)

1.2.2 原因子句提取部分

情感與原因之間是有聯(lián)系的，找到與情感信息相關(guān)聯(lián)的上下文語義信息是確定原因的先決條件，為找到與情感信息相關(guān)的原因信息，引入一種情感導(dǎo)向的注意力機(jī)制，該機(jī)制能夠?qū)νㄟ^帶有注意力的詞水平Bi-LSTM獲得的句子特征進(jìn)行加權(quán)表示，以獲得與情感相關(guān)的句子特征。情感引導(dǎo)的注意力機(jī)制的使用定義如下

(12)

(13)

(14)

(15)

(16)

(17)

模型的損失函數(shù)由兩部分的交叉熵?fù)p失組成

LP=λLe+(1-λ)Lc

(18)

其中，Le為情感子句預(yù)測部分的交叉熵?fù)p失，Lc為原因子句提取部分的交叉熵?fù)p失，λ為權(quán)衡參數(shù)。

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)集

本文使用情感原因分析ECPE數(shù)據(jù)集[19]，數(shù)據(jù)集一共有1945篇文檔，每篇文檔由多個(gè)分句構(gòu)成。數(shù)據(jù)統(tǒng)計(jì)信息見表1。模型訓(xùn)練集大小與測試集大小的比例為9∶1。

表1 ECPE數(shù)據(jù)集統(tǒng)計(jì)信息

2.2 模型參數(shù)設(shè)置

使用word2vec預(yù)訓(xùn)練好的微博語料庫詞向量，詞向量維度為300維。對于未登錄詞，采用均勻分布U(-0.01,0.01)來隨機(jī)初始化詞向量。CNN窗口大小為3和4，每個(gè)窗口過濾器數(shù)量為100。Bi-LSTM的隱藏層單元個(gè)數(shù)為100。模型訓(xùn)練時(shí)，Adam優(yōu)化算法的初始學(xué)習(xí)率為0.005，Batch大小為32，dropout為0.8，L2正則化的權(quán)重設(shè)置為10-5。

2.3 評價(jià)指標(biāo)

評價(jià)指標(biāo)實(shí)驗(yàn)結(jié)果評估采用精確率p(Precision)、召回率r(Recall)和f1值來進(jìn)行評估。定義如下

(19)

(20)

(21)

其中，correct_causes為原因子句預(yù)測標(biāo)簽與真實(shí)標(biāo)簽一致且為Y的數(shù)量；proposed_causes為原因子句預(yù)測標(biāo)簽為Y的數(shù)量；annotated_causes為真實(shí)標(biāo)簽為Y的原因子句數(shù)量。情感子句預(yù)測部分的評價(jià)指標(biāo)與原因子句提取的評價(jià)指標(biāo)相似。

2.4 實(shí)驗(yàn)結(jié)果分析

2.4.1 不同詞向量表示

為了評估不同詞向量表示對模型的影響，使用不同的向量表示對模型進(jìn)行評估。Rand200d：詞向量隨機(jī)初始化為200維；w2v200：通過Word2vec預(yù)訓(xùn)練好的微博語料庫詞向量200維；Rand300d：詞向量隨機(jī)初始化為300維；w2v300：通過Word2vec預(yù)訓(xùn)練好的微博語料庫詞向量300維。

不同詞向量表示對模型的影響見表2，在情感子句預(yù)測上，用預(yù)訓(xùn)練好的微博語料庫詞向量得到的f1比隨機(jī)初始化方式得到的f1值高了近10%，其中300維的預(yù)訓(xùn)練詞向量比200維的預(yù)訓(xùn)練詞向量效果更好；在原因子句提取上，預(yù)訓(xùn)練得到的f1值比隨機(jī)初始化得到的f1更是高出了10%。從而驗(yàn)證，詞向量用隨機(jī)初始化的方式得到的結(jié)果較差；預(yù)訓(xùn)練詞向量對句子特征表示是有效的，預(yù)訓(xùn)練的詞向量能提高情感子句預(yù)測與原因子句提取的效果。

表2 不同詞向量表示對模型的影響

2.4.2 CNN窗口大小對模型的影響

目前大部分情感分類模型僅僅使用Bi-LSTM加上注意力來提取句子的上下文語義依賴信息和與情感相關(guān)的關(guān)鍵部分來進(jìn)行情感分析。然而在進(jìn)行情感分析時(shí)，一個(gè)完整的句子特征要包含局部語義信息、上下文語義依賴信息以及情感表達(dá)的關(guān)鍵部分。為驗(yàn)證結(jié)論，在情感子句預(yù)測部分，模型提取句子特征時(shí)，進(jìn)行了融入局部語義信息和不融入局部語義信息的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果見表3，從表3中可以看出，在進(jìn)行句子特征提取時(shí)，融入局部語義信息使句子特征更完整，能提高情感子句預(yù)測的效果，并且CNN窗口大小為{3,4}(注：表示窗口大小分別為3和4兩個(gè)過濾器)時(shí)，情感子句預(yù)測效果最好。

表3 CNN對情感子句預(yù)測的影響

2.4.3 情感子句預(yù)測標(biāo)簽對原因子句提取的影響

表4 消融實(shí)驗(yàn)對原因提取的影響

從表4可以看出忽略情感與原因之間的關(guān)系，情感子句預(yù)測與原因子句獨(dú)立進(jìn)行時(shí)，原因子句提取效果最差。在考慮情感與原因之間的關(guān)系后，通過Concat方式與Att方式將情感與原因聯(lián)系起來提高了原因子句提取的效果。通過Concat與Att結(jié)合的方式(即EPCEM)進(jìn)一步增強(qiáng)了情感與原因之間的聯(lián)系，從而提高原因子句提取的效果。因此驗(yàn)證了在進(jìn)行原因子句提取時(shí)，考慮情感與原因的關(guān)系，將情感特征融入句子特征去進(jìn)行原因子句提取能進(jìn)一步提高原因提取的效果這一結(jié)論。

2.4.4 相同任務(wù)定義下的模型對比

相同任務(wù)定義是指在未給定文檔情感標(biāo)簽的情況下，找出文檔情感子句，并提取相應(yīng)的原因子句。目前在此任務(wù)定義下的模型僅為文獻(xiàn)[19]的Inter-EC模型。本文模型與Inter-EC模型對比結(jié)果見表5。從表中可以看出，在情感子句預(yù)測上，本文模型的f1值比Inter-EC模型的f1值高出了1.1%，這是因?yàn)楸疚哪Ｐ驮谶M(jìn)行情感子句預(yù)測時(shí)考慮了局部語義信息，使得句子特征更完整，從而提高了情感子句預(yù)測的效果。在原因子句提取效果上，本文模型得到的f1值比Inter-EC模型得到的高出了2.35%，原因在于本文模型使用了情感導(dǎo)向注意力，使得情感與原因更相關(guān)，從而提高了原因子句提取的效果。

表5 相同任務(wù)定義的模型對比

2.4.5 與傳統(tǒng)的原因提取任務(wù)模型對比

傳統(tǒng)的情感原因提取任務(wù)ECE(emotion cause extraction)是指在標(biāo)注好情感信息后，提取引起情感信息的潛在原因，需要在測試集中對文本情感信息進(jìn)行標(biāo)注。而本文的情感原因提取任務(wù)是預(yù)測情感信息，并提取引起情感信息的原因。對比結(jié)果見表6，其中：

RB：手工定義語義規(guī)則方法[15]。

CB：基于常識定義的方法[17]。

RB+CB+ML：RB與CB結(jié)合并通過機(jī)器學(xué)習(xí)SVM分類訓(xùn)練。

SVM：使用1-grams、2-grams和3-grams作為特征通過SVM分類器進(jìn)行分類[17]。

CNN：使用CNN提取候選子句和已確定的情感子句的特征進(jìn)行情感原因提取[18]。

MANN：基于多注意力的上下文情感原因分析神經(jīng)網(wǎng)絡(luò)模型[18]。

從表6可以看出，即使在測試集中沒有對文檔進(jìn)行情感信息標(biāo)注，所取得結(jié)果仍然優(yōu)于大部分傳統(tǒng)模型，僅次于MANN模型，這是由于MANN模型是預(yù)先標(biāo)注好情感標(biāo)簽的原因提取，而本文模型是預(yù)測情感標(biāo)簽后再去提取原因，預(yù)測情感標(biāo)簽的效果會(huì)影響到原因提取的效果。

表6 與傳統(tǒng)情感原因提取任務(wù)方法比較

3 結(jié)束語

本文提出了一種基于注意力的情感子句預(yù)測與原因子句提取方法，與傳統(tǒng)的情感原因提取方法的不同之處在于該方法不需要預(yù)先對文本進(jìn)行情感標(biāo)注，在未給定情感標(biāo)簽的情況下，在預(yù)測文本情感的同時(shí)匹配其對應(yīng)的原因。該方法節(jié)約了人工標(biāo)注的成本，擴(kuò)大了情感原因提取任務(wù)在現(xiàn)實(shí)中的應(yīng)用范圍。

實(shí)驗(yàn)結(jié)果表明，在預(yù)測情感子句時(shí)，一個(gè)完整的句子特征需要包括局部語義信息、上下文語義依賴信息以及情感表達(dá)的關(guān)鍵部分。在進(jìn)行原因子句提取時(shí)，融入預(yù)測的情感信息能更好提高原因子句提取的準(zhǔn)確率，且通過注意力的方式的融合使原因子句提取的準(zhǔn)確率有更進(jìn)一步的提高。