蔡校育　邱美蘭　李德旺

關(guān)鍵詞：劇本角色；支持向量機(jī)；樸素貝葉斯；情感識(shí)別

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A

1引言（Introduction）

對(duì)于影視制片人來說，劇本的好壞直接決定其商業(yè)價(jià)值和社會(huì)意義，因此，對(duì)劇本文本分析成為不可或缺的環(huán)節(jié)，其中劇本角色的情感識(shí)別是劇本分析中一個(gè)非常重要的任務(wù)。劇本角色情感識(shí)別是將劇本中涉及角色的對(duì)白和動(dòng)作描述識(shí)別為某一種具體的情感傾向，屬于情感分析[1]中句子級(jí)別的范疇，輸入為劇本中的角色對(duì)白或動(dòng)作描述的句子，輸出其對(duì)應(yīng)的情感傾向。

基于機(jī)器學(xué)習(xí)的情感分析是一種有監(jiān)督的學(xué)習(xí)方法，屬于文本機(jī)器學(xué)習(xí)[2]的范疇，目前常見的基于機(jī)器學(xué)習(xí)情感分析的算法有支持向量機(jī)（SVM）[3]、樸素貝葉斯[4]和邏輯回歸[5]等，研究人員也開展了與此相關(guān)的大量研究工作[6]。本文將對(duì)非結(jié)構(gòu)化的劇本數(shù)據(jù)使用情感分析技術(shù)進(jìn)行處理，從而減少人工處理數(shù)據(jù)的工作量，利用機(jī)器學(xué)習(xí)算法快速挖掘非結(jié)構(gòu)化數(shù)據(jù)中的價(jià)值，依據(jù)情感預(yù)測的結(jié)果為劇本分析提供有價(jià)值的參考，對(duì)影視作品的發(fā)展具有一定的指導(dǎo)意義。

2 劇本角色情感識(shí)別（Emotion recognition ofscreenplay characters）

2.1數(shù)據(jù)集介紹

本文研究所需數(shù)據(jù)來源于DataFountain平臺(tái)舉辦的劇本角色情感識(shí)別競賽所提供的數(shù)據(jù)集，該數(shù)據(jù)集的主要數(shù)據(jù)來源于一部電影劇本，通過人工的情感標(biāo)注，同時(shí)對(duì)數(shù)據(jù)進(jìn)行相應(yīng)的處理，使之劃分為三種情感（1：正向情感；0：中性；-1：負(fù)向情感）。該數(shù)據(jù)集共有36，612 條數(shù)據(jù)樣本，而中性數(shù)據(jù)對(duì)于本文模型的研究用處不大，也易產(chǎn)生分歧，所以剔除中性數(shù)據(jù)，只保留正、負(fù)向情感，共10，143 條數(shù)據(jù)樣本，部分?jǐn)?shù)據(jù)內(nèi)容如表1所示。

2.2數(shù)據(jù)預(yù)處理

因?yàn)橹形恼Z篇中詞語不存在空隙，所以必須采用分詞的方法進(jìn)行識(shí)別，而在分詞過程中，某些對(duì)分類不起作用的信息也要去掉，即刪除停用詞，最后將那些能傳達(dá)重要信息的關(guān)鍵詞從文本中抽取出來，并將文本表示為這些關(guān)鍵詞的集合。數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、文本分詞、刪除停用詞等。

2.2.1文本分詞

由于中文文本與英文不同，中文文本分詞是預(yù)處理中不可缺少的關(guān)鍵步驟，因此在分類過程中使用詞語表示文本時(shí)必須先進(jìn)行分詞處理。目前的分詞技術(shù)已經(jīng)逐步完善，其中jieba分詞具有準(zhǔn)確率高、性能優(yōu)越及可擴(kuò)展性等特點(diǎn)，是一款當(dāng)下流行的中文分詞技術(shù)。

jieba分詞可以分為三種類型：精確模式、全模式和搜索引擎模式。其中，精確模式實(shí)現(xiàn)了對(duì)被分詞文本的準(zhǔn)確分割，并且不存在冗余詞，本文將運(yùn)用jieba分詞工具中的精確模式進(jìn)行分詞操作，分詞效果如表2所示。

2.2.2去停用詞

對(duì)于文本分類而言，有些詞語在文本中出現(xiàn)的次數(shù)并不能反映該詞語在文本中的重要性。比如“一二三四”“你我他”“這個(gè)”“的”，這些沒有特殊語義并且出現(xiàn)頻繁的詞語，即停用詞。本文主要研究中文文本所體現(xiàn)的情感，這些停用詞在很大程度上會(huì)對(duì)該研究產(chǎn)生影響，因此應(yīng)該將這些停用詞從文本中清除掉，避免它們對(duì)后續(xù)分類產(chǎn)生干擾。去停用詞效果如表3所示。

通過對(duì)本文的數(shù)據(jù)集內(nèi)容進(jìn)行相應(yīng)的預(yù)處理之后，可以繪制正、負(fù)向情感關(guān)鍵詞詞云圖，如圖1和圖2所示。

從圖1和圖2兩個(gè)詞云圖中可以看出，“看著”“坐在”“我要”“畫外音”“爸爸”等詞語在兩種情感中都是高頻詞，對(duì)本文的研究會(huì)產(chǎn)生相應(yīng)的影響。因此，在停用詞表中需添加這些詞語，可以減少誤差，提升模型預(yù)測的準(zhǔn)確率。

2.4模型建立

本文將使用Sklearn庫（python中的機(jī)器學(xué)習(xí)庫）中的支持向量機(jī)和樸素貝葉斯兩種分類算法構(gòu)建分類模型。因此，在完成數(shù)據(jù)預(yù)處理和特征工程相關(guān)工作后，接下來需對(duì)數(shù)據(jù)集進(jìn)行劃分、交叉檢驗(yàn)、模型訓(xùn)練及分類預(yù)測等相關(guān)操作。

2.4.1劃分?jǐn)?shù)據(jù)集

機(jī)器學(xué)習(xí)的分類方法需要大量的數(shù)據(jù)用于訓(xùn)練，特別是對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在進(jìn)行機(jī)器學(xué)習(xí)時(shí)，數(shù)據(jù)集被分為兩類，一類是訓(xùn)練集，另一類是測試集。本次實(shí)驗(yàn)選取80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集。有時(shí)為了保證模型的精度，往往需要先進(jìn)行k 折交叉驗(yàn)證。k 折交叉驗(yàn)證實(shí)質(zhì)上是把一個(gè)數(shù)據(jù)集分成k 份，每次選k-1 份為訓(xùn)練集，剩余的1 份作為驗(yàn)證集，然后取k 個(gè)模型的平均測試結(jié)果作為最終的模型效果。本文將以10 折交叉驗(yàn)證為基礎(chǔ)，嘗試探索兩種分類模型的有效性。

2.4.2 交叉驗(yàn)證及結(jié)果

通過對(duì)樸素貝葉斯（Naive Bayes）和支持向量機(jī)（SVM）兩種機(jī)器學(xué)習(xí)模型進(jìn)行10 折交叉驗(yàn)證，并將10 次的交叉驗(yàn)證的準(zhǔn)確率作為最終的結(jié)果。兩種分類模型10 次運(yùn)行對(duì)應(yīng)的準(zhǔn)確率如表4所示，根據(jù)表4的結(jié)果繪制如圖3所示的箱型圖。

從圖3中可以看出，兩種模型相比，線性支持向量機(jī)的平均準(zhǔn)確率要比樸素貝葉斯的準(zhǔn)確率略高，但準(zhǔn)確率較為分散，即存在不穩(wěn)定性。因此，本文通過設(shè)置超參數(shù)的不同取值，進(jìn)一步研究樸素貝葉斯算法的綜合性能。

2.5模型評(píng)估

本文利用混淆矩陣對(duì)樸素貝葉斯分類算法的性能進(jìn)行評(píng)估，其中包括準(zhǔn)確率、精確率、召回率、F1值和AUC指標(biāo)[8-9]。

根據(jù)樸素貝葉斯的拉普拉斯平滑法[10]選取不同的拉普拉斯平滑系數(shù)α ，對(duì)樸素貝葉斯分類模型進(jìn)行實(shí)驗(yàn)，得到實(shí)驗(yàn)結(jié)果如表5所示。從表5可以看出，最佳的拉普拉斯平滑系數(shù)介于0.1—0.5。通過調(diào)整超參數(shù)，可以使算法的性能變得更好。

通過前面模型分析及超參數(shù)的對(duì)比實(shí)驗(yàn)，運(yùn)用樸素貝葉斯算法以及設(shè)置超參數(shù)拉普拉斯平滑系數(shù)α = 0.2進(jìn)行學(xué)習(xí)，分別采用訓(xùn)練集和測試集進(jìn)行預(yù)測[11]，得到如圖4和圖5所示的兩種情況預(yù)測結(jié)果。

從圖4和圖5兩個(gè)混淆矩陣得出，樸素貝葉斯算法對(duì)測試集樣本的預(yù)測結(jié)果準(zhǔn)確度接近于80%，訓(xùn)練集樣本的預(yù)測結(jié)果高達(dá)93%。

3結(jié)論（Conclusion）

本文主要建立了基于支持向量機(jī)和樸素貝葉斯算法的兩種情感分類與識(shí)別模型，對(duì)劇本中每句對(duì)白和動(dòng)作描述中涉及的每個(gè)角色從多個(gè)維度進(jìn)行分析并識(shí)別出情感。

首先，根據(jù)劇本角色情感文本的特點(diǎn)，對(duì)所獲取的數(shù)據(jù)文本進(jìn)行預(yù)處理，包括文本分詞、去停用詞、繪制詞云圖、特征抽取等，建立了基于支持向量機(jī)和樸素貝葉斯算法的兩種情感分類與識(shí)別模型。其次，利用10 折交叉驗(yàn)證得出兩種模型的預(yù)測準(zhǔn)確率，分析了兩種機(jī)器學(xué)習(xí)情感識(shí)別模型的預(yù)測效果，并通過不斷調(diào)整模型中超參數(shù)的取值對(duì)模型進(jìn)行優(yōu)化。最后，根據(jù)研究結(jié)果得出樸素貝葉斯識(shí)別模型在劇本角色情感識(shí)別方面的效果要優(yōu)于支持向量機(jī)的識(shí)別模型，并且，當(dāng)超參數(shù)拉普拉斯平滑系數(shù)α = 0.2時(shí)，樸素貝葉斯識(shí)別模型的預(yù)測準(zhǔn)確率接近于80%。

本研究的不足之處是盡管模型的訓(xùn)練有較好的擬合效果，但由于數(shù)據(jù)存在樣本不均衡的現(xiàn)象，正向情感數(shù)據(jù)在總樣本數(shù)據(jù)中所占的比重偏低，存在一定的過擬合現(xiàn)象。因此，在后續(xù)的研究中，應(yīng)該增大正向情感的樣本數(shù)據(jù)量，從而對(duì)本文的研究做進(jìn)一步的改進(jìn)和優(yōu)化，使得預(yù)測結(jié)果更加準(zhǔn)確、更具有可解釋性。

作者簡介：

蔡校育（1998-），男，本科生.研究領(lǐng)域：機(jī)器學(xué)習(xí)，大數(shù)據(jù)分析.

邱美蘭（1980-），女，博士，講師，人工智能高級(jí)工程師.研究領(lǐng)域：數(shù)據(jù)科學(xué)與計(jì)算，機(jī)器學(xué)習(xí)，深度學(xué)習(xí).本文通信作者.

李德旺（1976-），男，博士，講師.研究領(lǐng)域：經(jīng)濟(jì)統(tǒng)計(jì)，大數(shù)據(jù)統(tǒng)計(jì)分析.