柴源

（西安航空學院圖書館，陜西西安 710077）

文本情感識別是指利用自然語言處理和文本挖掘技術(shù)，對帶有情感色彩的主觀性文本進行分析、處理和抽取的過程[1]。近年來，在網(wǎng)上商城中，用戶產(chǎn)生了大量對圖書及其服務(wù)評論的主觀性文本[2]，挖掘這些文本信息，獲取其中隱藏的有價值信息，能有效提高圖書館圖書采選質(zhì)量[3]。但是，這些文本隱含有較強的語義信息，在詞向量的訓練中，詞袋模型無法表征詞語之間的語義信息；其次，這些文本文檔不能通過一個線性分類器（直線、平面）來實現(xiàn)分類；第三，人工監(jiān)控分析不僅耗費大量人工成本，而且有很強的滯后性[4]。

Word2vec 模型通過詞向量來表征語義信息，即在詞向量的訓練過程中引入了詞的上下文。SVM 可以將低維空間映射到高維空間，解決線性不可分問題[5]。因此，文中構(gòu)建了一種基于Word2vec和SVM的在線圖書評論情感識別系統(tǒng)。

1 Word2vec與SVM的基本原理

1.1 Word2vec

Word2vec 是一種詞嵌入（Word Embedding）方法，它根據(jù)語料中詞匯共現(xiàn)信息，將詞匯編碼成一個向量，可以計算每個詞語在給定語料庫環(huán)境下的分布式詞向量[6]。它包含兩種訓練模型，即跳字模型（Skipgram）和連續(xù)詞袋模型（Continuous Bag of Words，CBOW），如圖1 所示。

圖1 Word2vec訓練模型

CBOW 模型是一個三層神經(jīng)網(wǎng)絡(luò)，利用上下文或周圍的詞語來預測當前位置詞語w(t)的概率，即P（w(t)|w(t-k),w(t-(k-1)),…,w(t-1),w(t+1),w(t+2),…,w(t+k)）[7]；Skip-gram模型的計算方法逆轉(zhuǎn)了CBOW的因果關(guān)系，利用當前位置詞語w(t)來預測上下文中詞的概率，即P(w(i)|w(t)),其中，t-k≤i≤t+k且i≠k[8]。

Word2vec 通過訓練詞向量，可以定量地度量詞與詞之間的相似程度，挖掘詞語之間的語義關(guān)系，適合做情感分類。

1.2 SVM

支持向量機(Support Vector Machine，SVM)是Vapnik 等人于1995 年提出的，它是通過某種事先選擇的非線性映射，將輸入向量映射到一個高維空間中，構(gòu)造最優(yōu)分類超平面，將不同類別的樣本分開[9]。超平面是指比原特征空間少一個維度的子空間，在二維情況下是一條直線，在三維情況下是一個平面。研究表明，支持向量機在處理二分類任務(wù)時是非常成功的[10]。

在線圖書評論情感識別只有正向和負向兩種結(jié)果，本質(zhì)上也是二分類問題。因此，可構(gòu)造SVM 分類器，實現(xiàn)在線圖書評論的情感識別?；驹肀硎鋈缦拢?/p>

2 在線圖書評論情感識別系統(tǒng)的設(shè)計

基于Word2vec和SVM的在線圖書評論情感識別系統(tǒng)的設(shè)計主要包括數(shù)據(jù)預處理、Word2vec 詞向量表示、構(gòu)造SVM 分類器、文本分類結(jié)果等，如圖2所示。

圖2 系統(tǒng)設(shè)計

2.1 數(shù)據(jù)預處理

1）數(shù)據(jù)清洗。去除字母、數(shù)字、漢字以外的所有符號。

2）構(gòu)建用戶情感詞典。采用jieba 技術(shù)進行預分詞，提取程度副詞和否定詞，程度副詞表示情感強弱，否定詞會將句子情感轉(zhuǎn)向相反的方向，而且通常是疊加的，并融合相關(guān)情感詞典等構(gòu)建用戶情感詞典。

3）形成研究數(shù)據(jù)集。在1）、2）的基礎(chǔ)上過濾掉“的”、“了”等不影響情感表達的詞語，進行二次分詞，形成研究數(shù)據(jù)集，并將數(shù)據(jù)集按照0.25的比例劃分為訓練集和測試集，訓練集用于模型的訓練，測試集用于結(jié)果測試。

2.2 Word2vec詞向量表示

1）模型設(shè)置與訓練。Gensim 是一款開源的第三方Python 工具包，用于從原始的非結(jié)構(gòu)化文本中，無監(jiān)督地學習到文本隱層的主題向量表達，支持包括TF-IDF、LSA、LDA和Word2vec 在內(nèi)的多種主題模型算法。文中采用Gensim 中的Word2vec 類對訓練集數(shù)據(jù)進行向量化表示，生成訓練詞表。

2）構(gòu)建建模矩陣。如圖3 所示，將訓練詞表通過DataFrame 轉(zhuǎn)化為詞向量矩陣，由于在線圖書評論文本長度各異，所以用各詞向量直接平均（MEAN）的方式生成句向量，完成建模矩陣的構(gòu)建，實現(xiàn)整個文本文檔的分類處理。

圖3 構(gòu)建建模矩陣

2.3 構(gòu)造SVM分類器

SVM 分類器的構(gòu)造主要包括訓練SVM 分類器、驗證分類器、評估分類器、優(yōu)化分類器以及分類器測試運用等，如圖4 所示。

圖4 構(gòu)造SVM分類器

1）訓練SVM分類器。在Python環(huán)境下，利用sklearn.svm中的SVC類，使用rbf核，設(shè)置參數(shù)gamma、degree，輸入建模矩陣訓練分類器。選取高斯核函數(shù)K(x,xi)=exp(-xi)2，x為訓練集樣本向量，xi為測試集樣本向量，利用訓練集對參數(shù)進行訓練。

2）驗證分類器。利用已構(gòu)造的SVM 分類器，對訓練集中的在線圖書評論文本進行情感識別，將識別錯誤的文本返回訓練集，進行增量訓練。增量訓練指機器學習不僅可以保留已經(jīng)學習過的知識，也可以從新的樣本中學習新的知識，這種學習是可以迭代的[13]。分類器在初次訓練結(jié)束后，將訓練數(shù)據(jù)的特征向量在訓練好的分類器上進行預測，若預測結(jié)果與實際結(jié)果不一致，則將該條數(shù)據(jù)加入到新的訓練集中，之后將所有訓練集中預測失敗的數(shù)據(jù)作為新的訓練數(shù)據(jù)進行增量訓練，增加難以預測的訓練集樣本的權(quán)重。

3）評估分類器。混淆矩陣和f1-score 是評估分類器性能的重要指標[14]，混淆矩陣是一個誤差矩陣，矩陣的每一行表示真實類中的實例，每一列表示預測類中的實例，如表1 所示。

表1 分類結(jié)果混淆矩陣

表1 中，TP(True Positive)表示將正例預測為正例；FN(False Negative)：將反例預測為反例；FP(False Positive)表示將反例預測為正例；TN(True Negative)表示將正例預測為反例。通過分類結(jié)果混淆矩陣，可以判斷不同類型分類的正誤數(shù)量。

f1-score 是精確率和召回率的調(diào)和平均數(shù)，最大為1，最小為0[14]，計算流程如下：

計算每個類別下的精確率(Precision)和召回率(Recall)，精確率指被分類器判定正例中的正樣本的比重，召回率指的是被預測為正例的占總的正例的比重。計算方式如下：

計算每個類下的f1-score，計算方式如下：

對各個類的f1-score 求均值，得到最后的評測結(jié)果，計算方式如下：

4）優(yōu)化分類器。GridSearchCV 即網(wǎng)格搜索和交叉驗證,輸入?yún)?shù)列表，模型可計算出最優(yōu)的結(jié)果和參數(shù)，是普遍使用的一種自動調(diào)參方式[15]。研究通過選擇不同的degrees、gammas 參數(shù)構(gòu)造列表，通過循環(huán)來尋找預測效果最優(yōu)的模型。

5）分類器測試運用。Tkinter 模塊是Python的標準Tk GUI 工具包的接口[16]，利用Tkinter 構(gòu)建在線圖書評論情感識別系統(tǒng)應(yīng)用界面，并在測試集上進行應(yīng)用。

3 在線圖書評論情感識別系統(tǒng)的實現(xiàn)

3.1 數(shù)據(jù)來源與預處理

實驗語料為online_shopping_10_cats 數(shù)據(jù)集中的圖書評論部分，共4 117 條，正向評論（用1 表示）2 100 條，負向評論（用-1 表示）2 017 條。

實驗在數(shù)據(jù)清洗、提取程度副詞和否定詞的基礎(chǔ)上，融合知網(wǎng)情感詞典、BosonNLP 情感詞典等，構(gòu)建用戶情感詞典user_dict?；诖?，進行二次分詞，形成研究數(shù)據(jù)集，并利用sklearn 中的train_test_split將分詞結(jié)果、情感分類按照test_size=0.25的比例劃分為訓練集x_train、y_train和測試集x_test、y_test。

3.2 Word2vec詞向量表示

1）模型設(shè)置與訓練。實驗用Gensim訓練Word2vec模型，調(diào)用gensim.models.word2vec（）函數(shù)對訓練集x_train 數(shù)據(jù)進行訓練，并生成訓練詞表。參數(shù)設(shè)置如下：

①size=300，表示特征向量的維度，維度設(shè)置越大，需要的訓練數(shù)據(jù)越多，訓練出來的效果越好；

②window=5，表示窗口大小，即當前詞與預測詞在一個句子中的最大距離；

③min_count=5，表示最小詞頻。訓練時，首先對預處理后的數(shù)據(jù)集進行詞頻統(tǒng)計，發(fā)現(xiàn)小于5的詞語數(shù)量龐大且沒有研究意義，所以實驗將最小詞頻設(shè)置為5。

2）構(gòu)建建模矩陣。首先構(gòu)造整句所對應(yīng)的所有詞條的詞向量矩陣，然后用各詞向量直接平均的方式生成對應(yīng)的句向量，完成建模矩陣train_vecs的構(gòu)建。部分數(shù)據(jù)如圖5 所示。

圖5 train_vecs建模矩陣（部分）

3.3 構(gòu)造SVM分類器

在生成train_vecs 建模矩陣后，利用sklearn 中的SVC 分類器建立支持向量機模型[17-18]，設(shè)置kernel=“rbf”，即使用rbf 核，gamma=0.05，即rbf 核相對應(yīng)的參數(shù)為0.05，degree=3 表示模型的冪次方等于3。得到模型后，使用轉(zhuǎn)換后的矩陣train_vecs和訓練集x_train 數(shù)據(jù)對模型進行訓練。

分類器訓練完成后，編寫預測函數(shù)對訓練集的數(shù)據(jù)進行驗證，將驗證結(jié)果與實際結(jié)果不一致的數(shù)據(jù)加入到新的訓練集中，作為新的訓練數(shù)據(jù)進行增量訓練，重復多次。準確率在每輪增量訓練時均在上升，但是在后面的迭代時會下降，如圖6 所示。究其原因，在于數(shù)據(jù)特征向量維度較高，數(shù)據(jù)集中含有一些與分類關(guān)系不大的無關(guān)特征。

圖6 精確率與迭代次數(shù)關(guān)系圖

增量訓練后，查看模型的混淆矩陣、f1-score，如表2 所示。

表2 模型的性能指標

支持度表示相應(yīng)類中，有多少樣例分類正確。由表2 可知，類別-1的精確率為0.87,類別1的精確率為0.79，精確率均值為0.83，召回率均值為0.82，f1-score 均值為0.82,表明模型具有一定的優(yōu)化空間。

調(diào)用sklearn.model_selection 中的GridSearchCV進行模型優(yōu)化，設(shè)置degrees=[2,3,4,5]，gammas=[0.05,0.5,5]，通 過{"gamma":gammas,"degree":degrees}尋 找預測效果最優(yōu)的模型。實驗結(jié)果顯示，當degree=5，gamma=5 時，類別-1的精確率為0.96,類別1的精確率為0.91，精確率均值為0.94，召回率均值為0.94，f1-score 均值為0.93,模型的泛化能力得到了一定的提升，如表3 所示。

表3 優(yōu)化后模型的性能指標

3.4 SVM分類器的測試應(yīng)用

利用Tkinter 構(gòu)建在線圖書評論情感識別系統(tǒng)應(yīng)用界面，如圖7 所示，對測試集數(shù)據(jù)進行測試應(yīng)用。圖7 中，當輸入在線圖書評論內(nèi)容后，點擊“識別”，實現(xiàn)對文本內(nèi)容的情感判斷。例如，輸入文本text=“《海底的秘密》是適合全體讀者的，是無文字，無國界的，充滿了愛，可以讓人永葆青春的，要用心閱讀的書?！睍r，識別結(jié)果為正向。

圖7 在線圖書評論情感識別系統(tǒng)應(yīng)用界面

4 結(jié)束語

在線圖書評論反映了消費者對圖書的各種情感色彩和情感傾向，具有一定的研究價值和使用價值。研究以online_shopping_10_cats 數(shù)據(jù)集中的圖書評論部分為實驗數(shù)據(jù)，經(jīng)過jieba 分詞、用戶情感詞典整合等文本預處理，采用Word2vec 將詞語轉(zhuǎn)化為可計算、結(jié)構(gòu)化的向量，得到語義化的特征矩陣；構(gòu)造SVM 分類器模型，采用增量訓練和GridSearchCV 優(yōu)化分類器，并應(yīng)用Tkinter 實現(xiàn)文本信息情感識別可視化。實驗結(jié)果表明，該系統(tǒng)精確率為0.94，召回率為0.94，f1-score 為0.94,泛化能力較強。