论文部分内容阅读
信息化高度发展的今天,互联网平台已经成为人们发表观点,表达意见,交流信息的重要渠道。用户在使用微博、电商平台时会针对某些事件或某些产品发表评论,这就产生了大量包含用户情感的文本信息。如果能对这些数据加以利用,分析其中潜在的用户情感信息,可以为消费者和商家提供决策支持,同时可以帮助政府部门制定政策,正确引导舆情传播。传统句子级的情感分析工作通常是对句子给出一个整体上的情感判断结果,无法针对商品的某一方面或属性(有的文献也称之为目标)做出判断,在如今商品信息多元化发展的今天已经不能满足实际需要,所以方面级的细粒度情感分析工作应运而生,该项技术可以从多个维度分析用户数据。例如,这句话“这款手机的电池非常耐用但是处理速度有点慢。”,我们从电池的角度可以看出用户对这款手机表达出积极的情感,而从处理速度的角度可以看出用户对这款手机表达了消极的情感。近年来,随着深度学习的迅速发展,细粒度情感分析工作也在蓬勃兴起。因此,本文以深度学习中的神经网络和注意力机制两方面为切入点对细粒度情感分析问题进行研究:(1)本文提出了一种上下文语义信息保存机制(Context-Retention Transformation mechanism,CRT)将卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆网络(Long-Short Term Memory Networks,LSTM)两个经典的神经网络模型进行了结合,使模型同时具有局部特征提取和序列化特征提取能力,融合局部特征信息和序列化特征信息用于情感倾向判断可以显著提升细粒度情感分析任务的准确度。(2)为了进一步提升方面级细粒度情感分析任务的准确度,解决传统注意力机制总是将方面和上下文分开建模,不能准确利用情感信息的缺点,本文还提出一种特征增强的注意力机制(Feature Enhanced Attention,FEA),模型可以充分利用方面和上下文之间的交互关系信息来辅助情感倾向判断。