论文部分内容阅读
多维度情感分析是情感分析中较细粒度的一个任务,是一个基于目标的情感分析任务,可应用在电商平台的商品评价体系中。一句句子可以有多个实体,即多个目标,而这些目标所包含的情感可能是不同的。多维度情感分析任务就是要准确识别一句句子中不同目标所包含的不同情感倾向。本文针对上述问题进行了研究并提出了两种算法:第一,基于词向量微调的情感分析算法(Gated Recurrent Unit with Embedding Fine-tuning,EF-GRU)。在情感分析任务中,好的词向量应该使得相同极性的词之间的相似度越高,而不同极性的词之间的相似度越低。预训练好的词向量并不能完全符合这一要求。因此,EF-GRU算法利用微调技术,对上下文词和目标词的联合词向量作了微调,使得词向量更加适合情感分析任务。第二,基于全局和局部的多层注意力机制情感分析算法(Global and Local Attention Network on Multi-layer GRU,ATT-GL-M)。ATT-GLM算法是基于EF-GRU算法的改进,ATT-GL-M算法基于注意力机制。全局注意力计算中,ATT-GL-M算法会计算句子中的每个词和目标词之间的注意力值,注意力值高的词更应获得关注。局部注意力计算时,算法只关注目标词周围的几个词的注意力值,减少噪声,使计算更加精确。进一步,本文将模型拓展到多层,以便同时抽取低维度和高维度的特征。本文提出的两个算法在四个数据集上都达到了比基准算法(baseline)高10%到25%的准确率。ATT-GL-M算法的结果也比其他论文中的实验结果要高出2%到3%。同时,经过微调的词向量也达到了情感分析所要求的结果。经过词向量微调后,极性相反的词之间的相似度下降了300%到400%。