基于深度學習的中文情感分析研究

摘要：對于各行各業來說，使用情感分析技術挖掘中文文本數據，并通過中文文本查找情感信息非常重要。因此，情感分析已成為自然語言處理領域最為活躍的部分之一。本文針對基于深度學習的中文情感分析模型進行了基本研究，以CNN為重點分析對象，分別對多通道和多注意力CNN的情感分析模型進行了深入探索。

關鍵詞：深度學習;中文情感分析;CNN

引言

隨著網絡信息技術的飛快發展，社交網絡已成為人們生活必不可少的一部分。通過網絡平臺，人們可以更加自由地表達意見，并產生了大量帶有情感信息的中文數據。近年來，深度學習在自然語言處理領域得到了更加廣泛的應用，基于深度學習的中文情感分析取得了良好的效果。

一、情感分析模型--CNN

2006年，Hinton首次提出了深度學習的概念，而卷積神經網絡（CNN）是深度學習的模型之一。該模型最初主要是用于圖像識別和視覺開發，特別是在圖像識別領域，CNN的應用帶來了質的飛躍_[1]。一九九八年，有著“CNN之父”之稱的YannLeCun教授在其論文中提出了LeNet-5模型，這是CNN首次在數字識別中得到了成功應用。CNN創建了一種監督學習算法，通過減少空間的相對關系來減少參數的數量，從而提高模型訓練性能。從本質上來看，CNN使用數學中的卷積概念通過池化層以及卷積層從文本中提取特征。因此，它主要是由卷積層和池化層組成。

（一）卷積層

卷積層是CNN的關鍵部分，主要是由節點組成，每個節點的輸入由上一層神經網絡中的一塊組成。對于大小不同的窗口，其過濾器通常是卷積層的一部分，并且大小取決于實際操作。過濾器是用于識別特征的識別器。通過使用相同的過濾器以減少參數的數量。過濾器也被稱為卷積核，是卷積層的核心部分。卷積過程可以理解為使用過濾器掃描整個圖矩陣并獲得新的矩陣，卷積層會更深入地分析神經網絡的每個小塊，并獲得更多的抽象特征。

（二）池化層

它的作用主要是通過減少參數來篩選特征，也可以視為是一種刪除參數的過程，并留下主要參數計算數量。卷積將導致大量的特征圖數據龐大，訓練數據也不足，從而導致過度擬合的問題。卷積層的主要特征之一是特征的不變性，例如圖像是一只小動物，在壓縮之后依然可以看出是一只小動物。在壓縮過程中，僅僅刪除了與小動物無關的信息。第二，特征尺寸減小。如果圖片具有過多的信息和特征，下一步則需要簡化其復雜性，刪除不相關的部分信息，并保留最重要的特征。

二、多通道CNN的情感分析模型

基于CNN的情感分類模型可以充分挖掘中文的情感特征信息，接收詞匯向量輸入，并通過不同大小的卷積核提取出輸入中文的豐富特征。在完成中文情感分析模型的過程中，由于中文文本中包含的信息有限，為了提取更豐富的情感特征，一些研究將這種詞向量和獨特的情感特征信息作為CNN輸入，在文本中挖掘隱藏的情感特征_[2]。盡管該方法增加了情感特征，并取得了比傳統方法更好的效果，但該方法在情感特征使用上通常取決于人工情感詞典，無法充分利用其他方法中的特征信息。為了解決這些問題，基于多通道CNN的情感分析模型已被廣泛使用。該模型采用詞性向量來表達中文中的情感詞，可以在訓練過程中學習到更多細微的情感特征。通過介紹詞匯的位置特征，可以表達出詞匯在中文文本中的重要性。最后，通過多通道接收不同特征的組合信息，挖掘中文中豐富的特征信息。

三、多注意力CNN的情感分析模型

通過調整注意力矩陣，可以在訓練過程中更加注意某些信息。例如，在特定目標的情感分析過程中，網絡模型可以通過在訓練過程中通過注意力特征映射，來密切關注特定目標句子的情感信息，從而正確識別不同目標的情感特征。為了更加關注情感信息分析的特定目標，有效識別目標特征，基于多注意力CNN的情感分析模型的提出顯得非常重要。通過將注意力機制與接收并行輸入的CNN相互結合，模型的訓練速度與順序神經網絡相比較更快。同時，基于多注意力CNN的情感分析模型增加了一些詞性關注機制，以另一種方式更加關注特定目標的情感信息，從而更好地利用句子中特定目標的特征信息。

（一）注意力機制

在情感分析模型的特定任務中，結合注意力機制的深度網絡模型可以通過調整注意力矩陣，識別同一句子中不同目標的信息。該機制最初主要是應用于圖像處理，這使得神經網絡在處理數據時能夠處理到一些重要的信息。2014年，mnih等人提出將注意力機制在圖像分類任務中加以應用，證明了該機制在圖像處理領域的有效性，并使神經網絡與該機制的結合成為深度學習領域的研究熱點。

（二）多注意力卷積神經網絡

本文將介紹如何通過CNN輸入層中的三種注意力機制將其與不同類型的注意機制結合起來，主要包括以下幾個部分：

（1）輸入矩陣。存儲了三種不同注意力機制的矩陣信息;

（2）操作層。針對三種不同的注意力矩陣，使用不同的操作來構造輸入文本的特征表示，這使得模型在訓練過程中從不同形式更加關注特定目標;

（3）卷積層。為了簡化網絡模型，使用卷積層提取不同注意機制信息的特征，通過對多個窗口和卷積核的卷積運算，可以獲得更加豐富的輸入特征;

（4）池化層。對于通過不同卷積運算獲得的輸入信息的局部特征，分別進行池化處理，挖掘不同注意力機制中最重要的情感特征;

（5）合并層。從上一層次中提取的重要信息用作合并層的輸入，以形成文本的深度特征向量表示，合并層的輸出向量可以用作完整連接層的輸入;

四、結束語

近年來，深度學習已在自然語言處理領域得到了越來越廣泛的應用，并取得了良好效果。中文情感分析模型是自然語言處理領域的研究熱點之一，通過在中文中提取出情感信息加以應用，對許多行業都具有重要意義。該領域的許多專家已經進行了深入研究，本文只是基于他們的理論進行了初步探索，仍有許多需要改進的地方，未來還將對基于深度學習的中文情感分析進行深入學習和研究。

參考文獻

[1]楊丹，張夢，朱毅.基于深度學習的中文情感分析研究[J].電腦知識與技術學術版，2019（7X）：188-190.

[2]金相宇.基于深度學習的中文短文本情感分析[D].沈陽工業大學

[3] 范濤， 吳鵬， 曹琪. 基于深度學習的多模態融合網民情感識別研究[J]. 信息資源管理學報， 2020（1）：39-48.

[4] 羅元， 王薄宇， 陳旭. 基于深度學習的目標檢測技術的研究綜述[J]. 半導體光電， 2020， 41（1）.

[5] 余傳明， 李浩男， 王曼怡，等. 基于深度學習的知識表示研究：網絡視角*[J]. 數據分析與知識發現， 2020， 4（1）.

作者簡介：賈鵬（1995-），男，漢族，山西省呂梁市人，碩士，單位：西華大學計算機與軟件工程學院，研究方向：情感分析