基于ALBERT-BiLSTM-Att的微博評論情感分析研究

支世堯　吳貞如　陳濤　李盛達　彭棟

摘? 要： 針對傳統(tǒng)語言模型無法直接提取句子的雙向語義特征，導致情感分類準確率較低的情況，提出一種結合預訓練語言模型ALBERT、BiLSTM以及Attention機制的微博評論情感分析模型ALBERT-BiLSTM-Att。在公開數據集weibo_senti_100k上，經過五折交叉驗證實驗，ALBERT-BiLSTM-Att模型的準確率達到93.30%。

關鍵詞： 情感分析; 微博評論; ALBERT; BiLSTM; Attention

中圖分類號：TP389.1? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）02-19-04

ALBERT-BiLSTM-Att Models for sentiment analysis of Weibo comments

Zhi Shiyao， Wu Zhenru， Chen Tao， Li Shengda， Peng Dong

（School of Information Engineering，Nanjing Audit University， Nanjing， Jiangsu 211815， China）

Abstract： Aiming at the situation that traditional language models cannot directly extract the two-way semantic features of sentences， resulting in low accuracy of emotion classification， a Microblog comment sentiment analysis model ALBERT-BiLSTM-Att that combines pre-training models ALBERT， BiLSTM and Attention mechanism is proposed. A 5-fold cross-validation experiment on the public data-set weibo_senti_100k shows that the accuracy of the ALBERT-BiLSTM-Att model reached 93.30%.

Key words： sentiment analysis; Weibo comment; ALBERT; BiLSTM; Attention

0 引言

微博作為全球最大的中文社交全媒體平臺，達到了月活躍用戶數5.23億，日活躍用戶數2.29億（截至2020年11月）。通過微博發(fā)布信息具有即時性、開放性、碎片化、裂變傳播等特征[1]。用戶的大量評論（特別是負面評論）往往容易造成輿情事件的爆發(fā)。因此相關部門應加強對網絡輿情的管控過程，特別是對微博評論進行情感分析應是重中之重[2]。

1 研究現狀

文本情感分析的方法主要有基于情感詞典、機器學習以及深度學習三種方法。

情感詞典方法是將數據集和情感詞典中的詞進行匹配，通過權重計算，從而得到文本的情感極性，但一個完備的詞典很難被構建出來[3]。趙妍妍等人[4]構建了一個基于微博數據的大規(guī)模情感詞典，該方法在微博情感分類的效果上和NRC-Canada相比提高了1.13%;2019年，XuG等人[5]通過構建一個包含基本、場景以及多義三方面情感詞的擴展情感詞典，有效提升了情感分類的效果。

機器學習方法則是利用NB、SVM等算法來實現情感分析，但因為基于機器學習方法訓練出的模型大多缺少泛化能力，以至于不能夠較好的應用在多種場景。Pang等人[6]于2002年首次應用機器學習算法對電影評論數據進行情感分析。支等人[7]使用NB方法對酒店評論進行情感分類，準確率為81.3%。孫建旺等人[8]將中文微博文本中的形容詞以及動詞作為特征提取出來，并使用基于層次結構和符號的方法對特征進行降維并計算極性值，最后使用SVM進行情感分類。

這兩種方法都有明顯弊端，基于此，人們提出基于深度學習的方法。KimY[9]最早提出將CNN應用于文本情感分析。關鵬飛等人[10]提出一種基于注意力機制的并行BiLSTM模型，利用Attention機制和BiLSTM提取詞、句的特征信息，有效提升了分類效果。胡朝舉等人[11]構建了一種基于深層注意力的LSTM模型，通過共享權重的BiLSTM對主題和文本詞向量進行訓練，并融合主題和文本特征。繆亞林等人[12]針對訓練速度慢的問題，提出一種結合CNN與GRU的文本情感分析模型（CNN-BiGRU），實驗表明，CNN-BiGRU模型簡化了特征提取過程，提高了訓練速率并且準確率沒有降低。Yin等人[13]于2020年提出Sentibert方法，該方法基于預訓練模型BERT，包含BERT、基于注意網絡的語義組合模塊、短語和句子的預測因子三個模塊，通過實驗證明該方法對分類效果提升明顯。

為了優(yōu)化特征提取，本文利用ALBERT來獲取微博評論的動態(tài)特征表示，并結合BiLSTM以及注意力機制，提出ALBERT-BiLSTM-Att模型。通過對比實驗發(fā)現，該情感分析模型能較好地提取微博評論文本的深層語義特征。

2 基于ALBERT-BiLSTM-Att的微博評論情感分析模型

2.1 BERT與ALBERT

BERT是2018年Google AI Language的DevlinJ等人提出的預訓練語言模型[14]，刷新了多項NLP任務的記錄。該模型采用雙向Transformer編碼器，其中Bert-base疊加了十二層Encoder，具體單元結構如圖1所示。它有兩種訓練任務：

[Masked Language Model]：隨機[MASK]每個句子中15%的詞。其中被打上[[MASK]]標記的詞有10%替換為任意詞，10%不變，其余80%直接替換為[[MASK]]標簽，讓模型預測被打上[MASK]標記的單詞含義。

[Next Sentence Prediction]：通過從訓練文本中挑選連續(xù)以及非連續(xù)的語句對，讓模型判斷語句相關性。

BERT模型的處理過程為：將輸入的文本數據X=（X，X，…，X）進行Token Embeddings、Segment Embeddings以及Position Embeddings。設計了Self-Attention，充分考慮句子中每一個詞語之間的語義和語法聯系，同時考慮到不同head中單詞的Attention不同，通過結合多個Self-Attention形成多頭（Multi-Head）機制，使模型獲得更大容量。

Add? Norm層的Add為殘差連接（Residual Connection），Norm]為層歸一化（Layer Normalization）。把模型輸入與上層輸出相加，再進行層歸一化，這樣可以做到僅關注差異部分，并使模型更容易訓練。Add? Norm層的輸出傳遞到Feed Forward，再經過Add? Norm層后輸出。

ALBERT是Google的Lan等人[15]基于BERT模型改進的一種預訓練語言模型，該模型與BERT相比，降低了參數量，并提高了運行速度。

ALBERT相較于BERT主要有以下幾點改進。

⑴ Factorized embedding parameterization：降低Embedding層的詞嵌入維度，并在詞嵌入和隱藏層間添加一個中介。參數量[P]的計算公式為：

P=L×H?⑴

P=L×V+V×H? ⑵

詞表大小為L，隱藏層維度為H，詞嵌入維度為V。BERT模型中V和H相同，在V遠小于H的情況下，詞嵌入因式分解后的參數量P將大幅度減小。

⑵ Cross-Layer Parameter Sharing]（層參數共享）：將[FFN]和[Attention]模塊都實現了參數共享，盡可能減少參數量。

⑶ [Inter-sentence coherence loss]（句間連貫）：改進了BERT模型原有的[NSP]任務，提出了[SOP（Sentence-order prediction）]的新型訓練任務。

⑷ 移除[Dropout]。

2.2 ALBERT-BiLSTM-Attention模型

ALBERT-BiLSTM-Att模型結構如圖2所示。ALBERT-BiLSTM-Att模型主要由四個部分組成：輸入層、ALBERT層、BiLSTM-Att層（包含BiLSTM層和Attention層）、輸出層。

步驟1 對微博評論數據進行預處理，利用輸入層將預處理的微博評論數據輸入到模型的ALBERT層中，輸入的文本數據為X=（X，X，…，X）。

步驟2 在ALBERT層獲取文本的動態(tài)特征表示。

步驟3 將步驟3獲得的文本特征輸入到BiLSTM層中，x表示i位置上的詞向量輸入，通過前向傳遞模塊LSTM和后向傳遞模塊LSTM，分別獲得h和h，之后連接h和h，獲得隱層向量h1，2，...，n，并結合注意力機制得到最終句子表示h，算法如下：

步驟4 將特征向量[h]輸入到Dense Layer進行降維，全連接層的輸出維度為情感標簽的類別數。最后對輸出結果進行Softmax歸一化，得到微博評論文本的情感極性。

3 實驗與分析

3.1 數據預處理

本文選用公開數據集weibo_senti_100k作為實驗數據集。數據集包含119988條帶情感標簽的數據，其中正負評論各59994條，0和1分別表示負向評論和正向評論。使用正則表達式對數據進行過濾處理，根據標識刪除“#”、“@”、“//”等與情感表達無關內容，并進行停用詞去除等操作，示例見表1。

數據集90%作為訓練集，采用五折交叉驗證，剩下10%作為測試集。由于模型從未見過測試集數據，所以可以更準確的反應模型的分類效果。

3.2 實驗參數

實驗參數包含兩部分，一是ALBERT模型，二是BiLSTM-Att模型。其中ALBERT采用Google發(fā)布的預訓練模型ALBERT-Base。模型參數見表2：

3.3 對比模型設置

為了評估模型的效果，本文采用以下五個對比模型。

⑴ ALBERT-base模型：利用ALBERT-base模型訓練得到文本特征，將獲得的文本特征通過一個全連接層，然后直接輸入到[Softmax]分類器中。

⑵ Att-BiLSTM模型：該模型是由注意力機制和雙向長短期記憶網絡組成。

⑶ Word2Vec-BiLSTM：采用Word2Vec訓練得到文本特征，并輸入到BiLSTM。

⑷ BERT-BiLSTM：采用BERT模型將微博評論文本訓練得到文本特征，并輸入到BiLSTM中進行情感分類。

⑸ ALBERT-BiLSTM：采用ALBERT模型將微博評論文本訓練出詞向量表示，并輸入到BiLSTM中進行情感分類。

3.4 實驗結果與分析

不同模型在weibo_senti_100k上的情感分類效果如表3所示。分析如下。

⑴ 基于ALBERT-BiLSTM-Att的模型優(yōu)于Att-BiLSTM模型，在三種評估指標上都有很大提升，驗證了預訓練語言模型ALBERT的有效性。

⑵ 基于ALBERT的方法與其余模型比較，都取得比較理想的實驗結果。

⑶ ALBERT-BiLSTM-Att模型與ALBERT-BiLSTM模型相比有微弱提升，但較其他模型，有明顯優(yōu)勢。說明Attention機制能夠挖掘更深層次的語義特征。

結果表明，基于ALBERT-BiLSTM-Att的情感分類方法在微博評論文本上相比其他模型具有更好的表現。

4 總結

微博作為全球最大的中文社交平臺，對其評論進行情感分析，可以掌握網民對公共事件的態(tài)度，從而控制網絡輿情的發(fā)展方向，這對于政府部門進行網絡輿情管控有著十分重要的意義。本文設計的ALBERT-BiLSTM-Att情感分析模型可以提取句子的深層語義特征，提升了情感分類的準確率。實驗結果表明，該模型在weibo_senti_100k上的分類效果優(yōu)于其他模型。但由于ALBERT模型訓練時間較長且難以復現以及BiLSTM模型的計算量較大等限制，導致模型訓練和推理時間較長，下一步將對此進行改進，以進一步提升模型的速度和效果。

參考文獻（References）：

[1] 張文婷.微博對傳統(tǒng)新聞傳播模式的影響[J].數字傳媒研究，2018，35（7）：32-33

[2] 諶志群，鞠婷.基于BERT和雙向LSTM的微博評論傾向性分析研究[J].情報理論與實踐，2020，43（8）：173-177

[3] 徐民霖.結合情感詞典和神經網絡的文本情感分析研究[D].江西理工大學，2020

[4] 趙妍妍，秦兵，石秋慧，等.大規(guī)模情感詞典的構建及其在情感分類中的應用[J].中文信息學報，2017，31（2）：187-193

[5] Xu G， Yu Z， Yao H， et al. Chinese text sentiment analysisbased on extended sentiment dictionary[J]. IEEE Access，2019，7：43749-43762

[6] Pang B， Lee L， Vaithyanathan S. Thumbs up？ Sentimentclassification using machine learning techniques[J].arXiv preprint cs/0205070，2002

[7] 支世堯，彭棟，朱旭.基于機器學習的在線評論傾向性分析[J].科學技術創(chuàng)新，2021（15）：99-100

[8] 孫建旺，呂學強，張雷瀚.基于詞典與機器學習的中文微博情感分析研究[J].計算機應用與軟件，2014（7）：177-181

[9] Kim Y. Convolutional Neural Networks for SentenceClassification[J]. Eprint Arxiv，2014

[10] 關鵬飛，李寶安，呂學強，等.注意力增強的雙向LSTM情感分析[J].中文信息學報，2019，33（2）：105-111

[11] 胡朝舉，梁寧.基于深層注意力的LSTM的特定主題情感分析[J].計算機應用研究，2019，36（4）：121-125

[12] 繆亞林，姬怡純，張順，等.CNN-BiGRU模型在中文短文本情感分析的應用[J].情報科學，2021，39（4）：85-91

[13] Yin D， Meng T， Chang K W. Sentibert： A transferabletransformer-based architecture for compositional sentiment semantics[J].arXiv preprint arXiv：2005.04114，2020

[14] Devlin J， Chang M W， Lee K， et al. Bert： Pre-training ofdeep bidirectional transformers for language understanding[J]. arXiv：1810.04805，2018

[15] Lan Z， Chen M， Goodman S， et al. Albert： A lite bert forself-supervised learning of language representations[J]. arXiv preprint arXiv：1909.11942，2019