孟祥光，郭東偉

(吉林大學(xué)軟件學(xué)院，吉林長春市 130021)

1 引言

在互聯(lián)網(wǎng)應(yīng)用中，人們對于商品、服務(wù)、民生、事件等的討論和評價(jià)，發(fā)揮著越來越重要的作用。企業(yè)可以根據(jù)用戶評價(jià)優(yōu)化商品和經(jīng)營服務(wù)；政府可以根據(jù)民眾評論快速掌握民生需求，防止發(fā)生輿情事件；用戶可以根據(jù)網(wǎng)絡(luò)討論和評價(jià)確定目標(biāo)商品及購買意愿。總之，充分利用討論與評價(jià)數(shù)據(jù)，獲取其中隱含的價(jià)值信息對于互聯(lián)網(wǎng)良性發(fā)展具有推動作用，于是情感分析技術(shù)應(yīng)運(yùn)而生。該技術(shù)就是基于互聯(lián)網(wǎng)中的主觀文本，由計(jì)算機(jī)自動提取出其中所要表達(dá)的情感信息[1]。但是對于一些具有隱含意義的自然語言，準(zhǔn)確可靠的情感提取并非易事[2-3]。當(dāng)前使用較多的方法是機(jī)器學(xué)習(xí)，結(jié)合語法、語義特征完成分類。文獻(xiàn)[4]提出了一種多神經(jīng)網(wǎng)絡(luò)融合的方式實(shí)現(xiàn)情感分析；文獻(xiàn)[5]利用ELMO轉(zhuǎn)換詞匯向量，并采用MSCNN訓(xùn)練詞匯向量并提取特征；文獻(xiàn)[6]引入self-attention優(yōu)化機(jī)器學(xué)習(xí)，改善特征分類性能；文獻(xiàn)[7]基于self-attention機(jī)制設(shè)計(jì)了Tree-LSTM訓(xùn)練模型，同時(shí)引入Maxout神經(jīng)元，進(jìn)一步改善了情感分類的準(zhǔn)確率；文獻(xiàn)[8]融合了self-attention與Bi-LSTM，實(shí)現(xiàn)了雙語情感分析?；谶@些研究，本文也采用機(jī)器學(xué)習(xí)進(jìn)行特征提取，同時(shí)考慮到機(jī)器學(xué)習(xí)參數(shù)較多，學(xué)習(xí)效率較低的問題，難以應(yīng)付大數(shù)據(jù)應(yīng)用場景，于是先對原始數(shù)據(jù)進(jìn)行粗粒度聚類。這里設(shè)計(jì)了一種密度峰值聚類(DPC)，DPC具有調(diào)節(jié)參量少，執(zhí)行效率高的優(yōu)點(diǎn)[9]，另外本文針對原始數(shù)據(jù)集采取區(qū)域劃分，獨(dú)立聚類，使聚類效率進(jìn)一步提高，最終通過各子區(qū)域輸出合并得到全局結(jié)果。在粗粒度聚類后的本文數(shù)據(jù)上，再融合LSTM-CNN進(jìn)行局部特征提取，大幅縮減了待處理數(shù)據(jù)規(guī)模及參量個(gè)數(shù)，從而可以高效可靠的實(shí)現(xiàn)大數(shù)據(jù)情感分析。

2 DPC優(yōu)化聚類

DPC優(yōu)化算法的核心是對全部數(shù)據(jù)求解局部密度ρ與相對距離δ[10]，構(gòu)造(ρ，δ)關(guān)系，進(jìn)而確定聚類中心。對于任意數(shù)據(jù)i，其局部密度ρi可以利用與其它數(shù)據(jù)的歐氏距離dij(j≠i)來計(jì)算，公式如下

(1)

(2)

根據(jù)dij與ρi，計(jì)算相對距離，公式如下

(3)

在對數(shù)據(jù)集合進(jìn)行子區(qū)域分割時(shí)，采用網(wǎng)格策略。此時(shí)，算法主要求解每個(gè)子區(qū)域內(nèi)的數(shù)據(jù)密度與距離，以及鄰近子區(qū)域的相關(guān)參數(shù)，這樣的處理過程在優(yōu)化數(shù)據(jù)計(jì)算復(fù)雜度的同時(shí)，有利于改善分布式計(jì)算的負(fù)載均衡性。對于一些數(shù)據(jù)點(diǎn)，所屬簇可能與所屬子區(qū)域并不是一個(gè)，這種邊界數(shù)據(jù)可以將其同時(shí)歸屬于不同子區(qū)域。于是提出子區(qū)域擴(kuò)展定義，假定si為任意子區(qū)域，邊界數(shù)據(jù)所屬簇的截距為d，則擴(kuò)展后的子區(qū)域?yàn)閟i+d。當(dāng)數(shù)據(jù)包含多維度時(shí)，子區(qū)域?qū)?yīng)為空間區(qū)域。為盡可能降低數(shù)據(jù)劃分對ρi的影響，本文引入高斯核優(yōu)化ρi，計(jì)算公式為

(4)

(5)

這里的n表示網(wǎng)格劃分的子區(qū)域數(shù)量。對于任何一個(gè)子區(qū)域而言，只有ρi與δi的乘積超過門限值，才能將其確定為聚類中心。在采用局部DPC聚類時(shí)，通過擴(kuò)展可能會使一些相鄰區(qū)域產(chǎn)生數(shù)據(jù)交集。當(dāng)需要對子區(qū)域結(jié)果進(jìn)行合并處理時(shí)，可以利用邊界數(shù)據(jù)特征搜索出相應(yīng)的簇。假定c1、c2依次為交集區(qū)域A1與A2中的局部簇，它們之間滿足c1?A1，c2?A2，A1∩A2≠?。當(dāng)某數(shù)據(jù)d位于c1與c2簇的交集內(nèi)，且該數(shù)據(jù)同時(shí)屬于c1與c2的核心元素，考慮到子區(qū)域交集數(shù)據(jù)一定是邊界數(shù)據(jù)，合并點(diǎn)一定落在邊界數(shù)據(jù)內(nèi)，則此時(shí)應(yīng)該將c1與c2采取合并，并將d作為合并點(diǎn)。從合并點(diǎn)能夠知道c1與c2存在的聯(lián)系，進(jìn)而能夠確定它們的全局特征。

3 文本大數(shù)據(jù)情感分析

3.1 局部優(yōu)化文本特征提取

文本中的詞性能夠反映出人物的情感特征，假定某文本的詞匯集描述為T={t1，t2，…tn}，經(jīng)過Word2Vec可以變換得到相應(yīng)的詞匯向量V(ti)。向外推廣可以得到句子矩陣的詞匯向量集Sij={V(t1)，V(t2)，…V(tn)}，且Sij∈Rn×k，k表示V(ti)的維度。為了在CNN訓(xùn)練時(shí)重點(diǎn)突出詞匯特征，對句子包含的諸如情緒、程度、肯定和否定等詞匯采取標(biāo)注。這里引入多頭注意力，它可以描述為拼接矩陣與加權(quán)形式

MH(X，K，V)=HW

(6)

左側(cè)項(xiàng)的X表示搜索的目標(biāo)向量；K、V是X對應(yīng)的鍵值對；右側(cè)項(xiàng)W表示加權(quán)矩陣；H表示拼接矩陣。在標(biāo)注過程中，文本詞匯特征對應(yīng)多頭拼接矩陣H，任意詞匯對應(yīng)不同的向量值tri，且tri∈Rk。于是，一個(gè)包含n個(gè)詞匯的句子，對應(yīng)的詞匯特征描述如下

tr1:n=tr1⊕tr2⊕…⊕trn

(7)

其中，⊕表示拼接操作。根據(jù)Sij求解出多頭注意力的X、K、V參量，公式如下

(8)

其中，wX、wK與wV均表示加權(quán)矩陣。于是，利用注意力得到詞匯特征輸出為

(9)

把輸出結(jié)果Otr采取如下前饋加權(quán)，從而求解出額外特征

(10)

wm表示前饋加權(quán)矩陣；etr表示偏移量。至此，通過前述計(jì)算可以得到文本句子內(nèi)的情感詞匯特征?？紤]到詞匯特征與句子表達(dá)可能存在差異，這里將詞匯與句子各自對應(yīng)的特征進(jìn)行融合。采取門控加權(quán)融合，公式如下

R=activate(wt⊙Ce+(1-activate(wt⊙))⊙Cs)

(11)

activate(-)表示激活函數(shù)；wt表示門控加權(quán)；Cs表示句子特征，提取公式如下

Cs=softmax(0，w1Otr+e1)w2+e2

(12)

w1與w2均表示加權(quán)；e1與e2均表示偏移量。再利用如下公式計(jì)算出句子的情感極性

p=softmax(wlinkCs+elink)

(13)

wlink與elink分別表示連接層加權(quán)和偏移量。CNN網(wǎng)絡(luò)在訓(xùn)練情感極性p的過程中，采取交叉熵進(jìn)行評估

(14)

cij=f(F·V(t(i:i+l-1))+e)

(15)

cij是包含詞匯i的句子j對應(yīng)的局部特征；l是要提取的詞匯向量行數(shù)；V(t(i:i+l-1))是獲取i至i+l-1行詞匯向量；F是卷積濾波；e是偏移量；f(-)是ReLU變換。

3.2 文本特征提取流程

基于局部特征優(yōu)化的文本大數(shù)據(jù)情感分析流程如下：

1)文本大數(shù)據(jù)初始化操作，一方面去除文本內(nèi)沒有語義的非詞匯；另一方面利用分詞器對文本內(nèi)詞匯采取分割處理。在去除非詞匯的同時(shí)，為防止噪聲干擾，還會對停用詞進(jìn)行刪除。將分割后的詞匯采取Word2Vec變換，構(gòu)造向量字典。

2)在CNN的嵌入層完成向量拼接，并利用式(7)得到句子整體的詞匯特征。

3)將Sij輸入至BiLSTM層，同時(shí)給定Sigmoid激活函數(shù)。在BiLSTM層的輸入端，采取雙向策略，利用隱層分別得到詞匯與句子特征。在BiLSTM層的輸出端，采取Bijt=BiLSTM(Sijt)方式完成結(jié)果拼接，Bijt即為時(shí)間點(diǎn)t，BiLSTM層的最終結(jié)果；Sijt表示在時(shí)間點(diǎn)t，包含詞匯i的句子j對應(yīng)矩陣。

4)在CNN中計(jì)算局部特征，采用Cijt=CNN(Bijt)糾正BiLSTM層結(jié)果，Cijt即為時(shí)間點(diǎn)t，CNN輸出結(jié)果。對詞匯與句子特征采取融合，并使全連接層介入。

5)利用softmax得到大數(shù)據(jù)情感分類。

4 仿真與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境與衡量指標(biāo)

仿真操作系統(tǒng)為Windows10，軟件實(shí)現(xiàn)語言為Python，實(shí)驗(yàn)數(shù)據(jù)集選擇COAE2014，該數(shù)據(jù)集具有40000條數(shù)據(jù)。在COAE2014內(nèi)部，有5000條對應(yīng)的情感極性為已知的，可以用于網(wǎng)絡(luò)或深度學(xué)習(xí)。詞匯截取選擇jieba，向量變換選擇Word2Vec，經(jīng)過處理后最終得到的向量模型配置如表1。

表1 向量模型配置

在衡量密度峰值聚類性能時(shí)選擇ARI指標(biāo)。ARI能夠描述聚類輸出和實(shí)際的吻合性，它的變化區(qū)間是[-1，1]，計(jì)算公式為

(16)

式中，RI表示蘭德系數(shù)；E(RI)表示RI期望。ARI的值越接近1，說明聚類效果越好，越接近-1，說明聚類效果越差。RI的計(jì)算公式為

(17)

在衡量數(shù)據(jù)情感分類時(shí)選擇Precision、Recall和Fl-measure三項(xiàng)指標(biāo)。其中Precision用于衡量數(shù)據(jù)分類的查準(zhǔn)率，計(jì)算公式為

(18)

這里的TP表示積極情感數(shù)據(jù)被正確分類成積極情感的數(shù)量。FP表示錯誤標(biāo)記成正的數(shù)量，即非積極情感數(shù)據(jù)被錯誤分類成積極情感的數(shù)量。Recall用于衡量數(shù)據(jù)分類的查全率，計(jì)算公式為

(19)

這里的FN表示積極情感數(shù)據(jù)被錯誤分類成積極情感的數(shù)量。Fl-measure是對Precision和Recall的綜合評價(jià)，計(jì)算公式為

(20)

4.2 實(shí)驗(yàn)結(jié)果分析

為了衡量局部DPC優(yōu)化算法的聚類性能，引入AE-MDPC[9]和DPPOD[10]方法作為比較。實(shí)驗(yàn)過程中，依次增加數(shù)據(jù)規(guī)模，得到不同數(shù)據(jù)規(guī)模下各方法的ARI指標(biāo)，結(jié)果如圖1所示。根據(jù)結(jié)果對比，當(dāng)數(shù)據(jù)規(guī)模增加時(shí)，各聚類方法的ARI值均有所增加。其中本文方法的ARI值始終最高，表明聚類效果與實(shí)際類別最吻合。這得益于本文設(shè)計(jì)的區(qū)域劃分與局部聚類策略，針對劃分區(qū)域使用高斯核優(yōu)化密度計(jì)算，并根據(jù)密度與距離乘積實(shí)時(shí)調(diào)整篩選門限，使聚類中心實(shí)現(xiàn)自適應(yīng)選擇，從而獲得更準(zhǔn)確的聚類性能。

圖1 實(shí)驗(yàn)結(jié)果

為了衡量本文方法在大數(shù)據(jù)情感分類方面的整體性能，本文引入文獻(xiàn)[6]、文獻(xiàn)[7]和文獻(xiàn)[8]中方法作為比較，分別得出不同方法在COAE2014數(shù)據(jù)集下的Precision、Recall和Fl-measure指標(biāo)，結(jié)果如圖2所示。根據(jù)指標(biāo)數(shù)據(jù)，本文方法相比于文獻(xiàn)[6]、文獻(xiàn)[7]和文獻(xiàn)[8]，在Precision指標(biāo)上依次提高了0.035、0.026和0.054；在Recall指標(biāo)上依次提高了0.04、0.023和0.051；在F1-measure綜合指標(biāo)上依次提高了0.037、0.025和0.053。表明本文方法在查準(zhǔn)率與查全率方面都有顯著提升，能夠更加準(zhǔn)確的對數(shù)據(jù)情感進(jìn)行分類，并且具有更高的搜索全面性。究其原因，是由于本文在密度峰值聚類的基礎(chǔ)上，利用BiLSTM-CNN提取了文本詞匯與句子特征，并采取融合處理，同時(shí)采用了局部特征糾正結(jié)果，從而保證了本文方法在上下文與局部特征方面的處理都更為合理準(zhǔn)確。

圖2 性能指標(biāo)對比

為驗(yàn)證本文方法在大數(shù)據(jù)情感分類方面的實(shí)時(shí)性，實(shí)驗(yàn)過程中依次增加數(shù)據(jù)規(guī)模，統(tǒng)計(jì)得到不同數(shù)據(jù)規(guī)模下方法的分析時(shí)間，結(jié)果如圖3所示。根據(jù)曲線可知，在數(shù)據(jù)規(guī)模增長過程中，分析時(shí)間的增長速度比較緩慢且線性。表明本文方法的處理效率較高，適用于大數(shù)據(jù)場景的情感分析。這是由于本文方法在前期的聚類階段采用了區(qū)域劃分策略，便于大數(shù)據(jù)任務(wù)的拆分并發(fā)處理，同時(shí)前期聚類能夠大大降低后期特征分類操作的復(fù)雜度。

圖3 大數(shù)據(jù)情感分析時(shí)間

5 結(jié)束語

為了改善文本大數(shù)據(jù)情感分析性能，本文采用了分層處理策略。首先在底層設(shè)計(jì)了改進(jìn)DPC算法，使其能夠通過區(qū)域劃分更快更準(zhǔn)確的達(dá)到聚類要求，對文本大數(shù)據(jù)進(jìn)行粗粒度的分類，降低后期處理的數(shù)據(jù)規(guī)模和難度。然后在上層設(shè)計(jì)了局部優(yōu)化文本特征提取方法，通過詞匯與句子特征融合，以及局部特征修正，完成情感分類。仿真結(jié)果表明，密度峰值優(yōu)化算法具有更好的聚類效果，融合密度峰值與局部特征的大數(shù)據(jù)情感分析方法具有更好的準(zhǔn)確度與實(shí)時(shí)性。