毛 銀，趙 俊

（1.四川輕化工大學(xué)自動化與信息工程學(xué)院，宜賓 644000；2.人工智能四川省重點(diǎn)實(shí)驗(yàn)室，宜賓 644000）

0 引言

人們在網(wǎng)絡(luò)上對各種公共事件表達(dá)自己觀點(diǎn)。新浪微博，作為中國用戶數(shù)量最多的網(wǎng)絡(luò)平臺之一，用戶在平臺上以短文本的形式發(fā)表他們對于事物的觀點(diǎn)，這些觀點(diǎn)可以被其它用戶瀏覽、評論和轉(zhuǎn)發(fā)。文本情感分析指對文本中蘊(yùn)含的情感信息進(jìn)行提取、分析和分類，并將分類結(jié)果進(jìn)行保存，來進(jìn)行下游分析任務(wù)的過程。情感分析可以用于社會、科學(xué)、文化等多個領(lǐng)域，能深入探究社會問題、現(xiàn)象，提高社會運(yùn)行效率［1］。因此情感分析是至關(guān)重要的。

目前，常用的文本情感分析方法分為機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法和基于規(guī)則的方法。基于規(guī)則的方法需要人工構(gòu)建情感詞典［2］，由于互聯(lián)網(wǎng)上新詞和熱點(diǎn)頻發(fā)，構(gòu)建的情感詞典不能滿足當(dāng)下需求。Murtadha［3］認(rèn)為，在不同的應(yīng)用領(lǐng)域，詞語的極性與它所在的句子情感強(qiáng)度有關(guān)，因此他們構(gòu)建了依賴領(lǐng)域的情感詞典。Rao等［4］提出了一種基于主題建模的方法來構(gòu)建詞典，其中每個主題都與社會情感有關(guān)。Jian等［5］通過條件隨機(jī)場建立了絕對情感詞典和相對情感詞典，實(shí)現(xiàn)了一種有效的情感極性判別算法。

基于深度學(xué)習(xí)的方法已經(jīng)引起了許多研究者的關(guān)注。Liriam等［6］提出了一個基于多語言短文本分類的通用框架GM-ShorT，提高了短文本的分類準(zhǔn)確性。周玄朗等［7］融合了文本圖卷積和Stacking集成學(xué)習(xí)方法，解決了卷積神經(jīng)網(wǎng)絡(luò)對特征利用不足的問題。王婉等［8］融合了Fast-Test模型和注意力機(jī)制，使模型的分類性能提高了2%。Wang［9］提出了一種被稱為“不連通遞歸神經(jīng)網(wǎng)絡(luò)”的模型，它融入了位置不變性的RNN，限制RNN信息流的距離，在多個文本分類數(shù)據(jù)集上取得了較好的分類效果。

基于以上描述，本文提出一種新的基于位置向量獲得上下文信息的模型。

1 算法描述

本文提出一種基于BERT和BiLSTM的特征提取模型BERT_MIX_BiLSTM，結(jié)構(gòu)如圖1所示。核心步驟分為以下幾層：

（1）特征處理層：通過對數(shù)據(jù)集的訓(xùn)練來獲得詞向量，使用人工標(biāo)注好的情感詞典，對詞向量中每一個詞進(jìn)行情感標(biāo)注，利用BiLSTM得到文本的上下文信息，將得到的向量通過注意力機(jī)制，加權(quán)情感特征，作為下一層的輸入。

（2）特征提取層：通過卷積神經(jīng)網(wǎng)絡(luò)處理加權(quán)后的輸入向量，獲取文本的局部特征，降低數(shù)據(jù)的維度。最后通過輸出層，得到文本的情感概率表示。

1.1 特征處理層

特征處理層主要是對數(shù)據(jù)進(jìn)行處理，將單詞切分，并表示為詞向量矩陣，遍歷矩陣中所有在詞典中的詞，并對其與詞典中保存的情感強(qiáng)度進(jìn)行分類。通過BiLSTM來保存文本的語義，最后通過注意力機(jī)制來對特征屬性進(jìn)行加權(quán)。

1.1.1 BERT模型

BERT是基于神經(jīng)網(wǎng)絡(luò)模型的自然語言處理模塊，其結(jié)構(gòu)圖如圖2所示。

內(nèi)部利用MLM（masked language model）生成深度的雙層語言特征和下一句預(yù)測NSP（next sentence prediction）。MLM在每次迭代中隨機(jī)屏蔽15%的單詞［10］，目的是在給定上下文的情況下，預(yù)測出被遮蔽的單詞，得到每個單詞的詞向量表示。NSP是為了讓模型能理解到兩個句子之間的聯(lián)系，隨機(jī)調(diào)換語料庫中兩個句子的順序，基于前一個句子，來預(yù)測下一個句子的概率［11］。

1.1.2 詞典標(biāo)注

假定輸入句子:

其中wi表示句子s中第i個單詞。通過微調(diào)參數(shù)的BERT模型，將輸入單詞wi轉(zhuǎn)換為詞向量vi。建立一個情感詞典SD（sentiment dictionary），包括了情感詞匯以及情感程度。對每個wi屬于SD中的詞匯賦予情感權(quán)重，不屬于SD的詞匯賦值為1。對于負(fù)面詞匯，需要乘以-1。表達(dá)如下：

式（2）中，swi表示加權(quán)后的wi值。在預(yù)處理層中，使用賦值好的情感來對詞向量vi加權(quán)。

1.1.3 BiLSTM模型

BiLSTM是由兩個反向的LSTM組成。LSTM加入了一個儲存單元Ct和三個邏輯門：輸入門，輸出門和遺忘門［12］。通過前一個時刻的輸出信息和當(dāng)前時刻的輸入信息來共同確定當(dāng)前時刻的輸出信息，儲存單元和邏輯門能決定當(dāng)前時刻需要保留和遺忘多少信息。BiLSTM有正反兩個方向，可以包含文本的上下文信息［13］，LSTM結(jié)構(gòu)如圖3所示。

對于時間t的輸入，由前向和反向LSTM獲得的隱狀態(tài)表示和為

對于每個單詞，連接其上下文信息，得到每個單詞的注釋ht。

1.1.4 注意力機(jī)制

文本情感分析的任務(wù)中，某些詞具有強(qiáng)烈的感情色彩，有些詞沒有或少量具有感情色彩，不同詞匯對整個文本句子的情感極性具有不同的作用，因此，該模型引入了一種注意力機(jī)制［14］，通過給不同的詞匯加入不同的權(quán)重，情感極性強(qiáng)的詞語獲得較高的權(quán)重。對于輸入ht，其權(quán)重賦予由以下公式?jīng)Q定。

上述公式中，ut是隱狀態(tài)表示，計算與ht的相關(guān)性，ww和bw是打分函數(shù)產(chǎn)生的系數(shù)，通過迭代來學(xué)習(xí)。uw是上下文向量，會在訓(xùn)練開始時，通過位置矩陣隨機(jī)初始化，并不斷優(yōu)化。ut與uw的相似性來判斷詞的重要性，然后將計算的權(quán)重標(biāo)準(zhǔn)化，用ht加權(quán)聚合成Z，Z表示整個文本的輸入向量，包含著文本的所有單詞的情感信息。

1.2 特征提取

1.2.1 CNN層

傳統(tǒng)深度學(xué)習(xí)中，CNN在自然語言處理領(lǐng)域使用非常廣泛。它由一維卷積層和一維池化層組成的前饋神經(jīng)網(wǎng)絡(luò)，卷積核的寬度與詞向量一般等寬，只進(jìn)行一維的滑動［15］。假設(shè)xi為數(shù)據(jù)輸入，h為窗口大小，卷積過程可表示為

其中b為偏置項(xiàng)，f為激活函數(shù)，Ci為提取到的特征向量。假定文本長度為s。最大池化和平均池化可分別表示為

卷積操作結(jié)束后，執(zhí)行池化層操作，進(jìn)一步壓縮特征向量，降低特征維數(shù)，提高計算速度。池化方法包括最大池化和平均池化。最大池化能保持?jǐn)?shù)據(jù)最重要的特征，平均池化能顯著提高其它不明顯的特征。本文采用并行池化，將最大池化和平均池化匯聚相加一起，形成特征向量lv，并發(fā)送到全連接層。

1.2.2 全連接層和輸出層

采用批量歸一的方式加快網(wǎng)絡(luò)訓(xùn)練速度，減少過擬合。全連接層將特征向量lv映射到目標(biāo)空間中，獲得情緒表達(dá)概率值，最后通過輸出層執(zhí)行分類任務(wù)。

使用sigmoid函數(shù)將輸入概率值轉(zhuǎn)換到[0,1]之間。當(dāng)情緒值接近0，表示情感類別接近負(fù)值；接近1表示情感類別接近正值，以此獲得情感標(biāo)簽。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的環(huán)境為：操作系統(tǒng)為Windows10，處理器為英特爾Xeon 5218R（雙路），內(nèi)存為128 GB，顯卡為NVIDIA RTX 3080（10 G），Python版本為3.9.7，基于深度學(xué)習(xí)框架tensorflow2.9.0。

2.2 數(shù)據(jù)集

數(shù)據(jù)集采用是帶標(biāo)注的外賣評論數(shù)據(jù)集，共10萬條，正面評論與負(fù)面評論各5萬條，如表1所示。

表1 數(shù)據(jù)集標(biāo)簽展示

2.3 評價指標(biāo)

常用的文本分類指標(biāo)有召回率（Recall，R）、精確率（Precision，P）和F1值（F1），本文將繪制F1和Precision隨著訓(xùn)練輪次的變化曲線來直觀展示實(shí)驗(yàn)結(jié)果。

2.4 數(shù)據(jù)預(yù)處理

數(shù)據(jù)經(jīng)過jieba分詞，通過微調(diào)的BERT模型訓(xùn)練其詞向量［16］。為了避免過擬合，采用批量梯度下降對參數(shù)調(diào)優(yōu)，并使用網(wǎng)格搜索調(diào)參，尋找最優(yōu)參數(shù)，如表2所示。

表2 超參數(shù)設(shè)置

2.5 實(shí)驗(yàn)結(jié)果分析

為了評估本文提出模型的有效性，將BERT_MIX_BiLSTM模型和幾種常見模型進(jìn)行對比，包括BERT+CNN模型［17］、BERT+LSTM模型［18］、BiLSTM模 型、BiLSTM+Att模 型［19］和CNN+Att模型［20］。

各個模型的精確度值對比如圖4所示，與傳統(tǒng)CNN模型相比，本文模型的精確率高于傳統(tǒng)模型，當(dāng)訓(xùn)練輪次達(dá)到8輪時，本文模型性能呈大幅上升趨勢。而BiLSTM和CNN在此數(shù)據(jù)集中差別不大，說明數(shù)據(jù)集在上下文信息不長，使得BiLSTM在長期記憶上的特點(diǎn)沒有得到有效發(fā)揮。BERT+LSTM精確率差，原因可能在于BERT切分詞后，在詞向量中已經(jīng)包含過上下文向量。在后續(xù)輸入進(jìn)LSTM時，包含上下文信息的位置向量卷積完后與LSTM的輸出拼接，使得原本序列預(yù)測失去有效性。對于上下文較長，強(qiáng)調(diào)下一句預(yù)測的數(shù)據(jù)集來說，BERT+LSTM性能會有所提升。

在圖5展示了各個模型的F1值，可以看出，本文模型F1也有所領(lǐng)先，但領(lǐng)先幅度不大，加入了微調(diào)BERT模型后，使得模型整體的F1值有所提高，說明BERT模型使模型的性能得到了有效提升。

3 結(jié)語

為了充分獲取數(shù)據(jù)中的上下文信息，加入了位置矩陣參與運(yùn)算。使用了情感權(quán)重矩陣對數(shù)據(jù)進(jìn)行了修正。引入了微調(diào)BERT模型，提升了整個模型的性能。下一步工作可以在該模型中加入不同激活函數(shù)，嘗試使用性能更優(yōu)的門控循環(huán)單元（GRU）來代替LSTM進(jìn)行實(shí)驗(yàn)或使用更好的特征提取方法。