基于敏感信息主題的情感分析技術研究

姚海申

摘要：本文提出了一種基于敏感信息主題的情感分析技術，以快速、有效地實現人們對某一輿情事件的情感傾向的判定。

關鍵詞：情感分析;輿情;神經網絡

一、情感分析研究方法綜述

情緒分析（Sentiment analysis）或意見挖掘（opinion mining）[1]是對人們對產品、服務、組織、個人、問題、事件、主題及其屬性等實體的看法、情緒、評價和態度的計算研究，該領域開創和快速發展與網絡上出現的大量社交媒體密切相關，例如，新聞評論、論壇討論、博客、微博、Twitter和社交網絡等。

目前，常用的文本情感分析方法大致可分為三類：基于情感詞典和規則的方法、基于機器學習的方法以及基于深度學習的方法。

基于情感詞典的文本情感分析方法首先識別文本中的情感詞，然后根據現有的情感詞典計算情感詞的情感傾向。最后，使用預先制定的計算規則計算文本的最終情感傾向，這類方法的關鍵在于構建一個精確而全面的情感詞典。基于情感詞典的方法太過于依賴人工構建情感詞典，如何設計一種有效的自動情感詞典構建方法是該方法需要解決的問題之一。

基于機器學習的方法在文本情感分析研究中使用較為廣泛，其不依賴于情感詞典，且具有多種自動特征提取方法。基于機器學習的方法的分類性能在很大程度上取決于所選擇的特征提取方法，因此，在使用基于機器學習的方法時，提取有效特征成為關鍵任務。

基于上述對情感分析技術的分析，本文將基于深度學習方法對情感分析技術進行研究。

二、融合敏感信息主題的情感分析技術

（一）研究方法

對于敏感事件主題的提取，已在文獻[10]中進行了詳細研究，本文將在敏感事件主題的基礎上進行事件內部文本的情感傾向性研究，提出了一種融合敏感信息主題的文本情感分析模型（Sensitive Information Topics-Based Sentiment Analysis Model，SITSAM）。

此模型將敏感事件主題詞融入到文本表示學習中，以進行有效的情感描述主體的捕捉。此外，為了更好的挖掘帶有情感傾向的詞對句子情感傾向性的貢獻程度，本文將注意力機制引入到神經網絡中，以計算在特定主題下的詞對句子的情感貢獻。

本模型以詞的詞向量作為輸入，輸入到BiLSTM（Bidirectional Long-Short Memory Network）句子編碼器中進行學習，以得到句子的向量化表示，然后使用softmax函數對句子情感進行判別。為了將敏感事件主題信息融入到句子的表示中，本文以以下方式進行融合：

在進行某一敏感事件主題下的文本情感分析時，將該主題的主題描述詞的詞向量作為BiLSTM神經網絡的輸入，然后對隱層輸出使用Average-Pooling層來聚合主題詞所有隱層輸出以產生單個主題表示，的計算如下：

（1）最終將得到的主題描述與句子中每個詞的輸出進行語義連接，得到每個詞的最終語義表示：

（2）然后對得到的詞的語義表示進行注意力權重的計算，以提高情感詞對句子的情感貢獻。

最后將得到的文本表示s輸入到softmax層，該層通過sigmoid函數來計算出文本情感傾向概率。

（二）結果分析

為了驗證本文所提出模型的有效性，本文以支持向量機（SVM）算法、FastText、卷積神經網絡（CNN）、長短期記憶網絡（LSTM）、雙向長短期記憶網絡（BiLSTM）及本文方法SITSAM進行對比實驗。本文采用在分類方法中使用廣泛的準確率P、召回率R及F1值進行結果的評價。結果顯示模型在準確率、召回率及F1值上都較其他模型要好，對于正向類的識別準確率達到了90.83%，對于負向類更是達到了91.27%的準確率，其結果均比其他模型要好，可以看出情感詞語義的融入及注意力機制的加入對情感傾向性的判定效果具有明顯的提升，驗證了本文方法的有效性。

三、結語

本文所提出的情感分析模型以長短期記憶（Long-Short Term Memory ，LSTM）網絡為基礎進行改進優化，由于本文所進行的情感分析任務是在特定敏感信息主題下進行，所以本文將主題語義信息與文本語義通過神經網絡進行融合，以更好的識別描述主體。實驗結果表明具有較好的情感分類效果，能夠有效的對公眾的態度和見解進行情感分析，以幫助政府機構了解公眾意向和社會輿情。

參考文獻：

[1] Liu Bing. Sentiment analysis and opinion mining[J]. Synthesis lectures on human language technologies， 2012， 5（1）： 1～167.

[2]Pang B，Lee L，Vaithyanathan S. Thumbs up？ sentiment classification using machine learning techniques[C]. In： Proceedings of Cnference on Empirical methods in natural language processing. Philadelphia： [s.n.]，2002： 79-86.

[3]Pang B，Lee L. Seeing stars： Exploiting class relationships for sentiment categorization with respect to rating scales. In： Knight K， ed. Proc. of the Association for Computational Linguistics （ACL）. Morristown： ACL，2005. 115-124.

[4]Goldberg A B，Zhu X. Seeing stars when there aren't many stars： graph-based semi-supervised learning for sentiment categorization[C]. In： The Workshop on Graph Based Methods for Natural Language Processing. Association for Computational Linguistics，2006：45-52.