牛長安

摘要

作為微博情感分析的主要特征，表情符號在提升分類效果方面具有的作用已經(jīng)獲得了大多數(shù)人的認(rèn)可。文章首先對微博所應(yīng)用表情符號的特征進行了概述，然后結(jié)合實際情況，以詞向量輸入、情感語義增強等層次為切入點，圍繞著能夠?qū)ξ⒉┣楦羞M行分析的、具有情感語義增強特征的深度學(xué)習(xí)模型的構(gòu)建工作展開了討論，以期能夠在某些方面給人以啟發(fā)。

【關(guān)鍵詞】微博情感分析 情感語義增強 深度學(xué)習(xí)模型

對微信、微博等新興社交媒體而言，最突出的優(yōu)勢在于人們可以在此平臺上，通過圖片、文本或是視頻的形式，表達(dá)意見、交流信息或是對個人內(nèi)容進行發(fā)布，從情感的角度對用戶數(shù)據(jù)加以分析，可以達(dá)到對產(chǎn)品滿意度或其他內(nèi)容進行獲取的目的，正是因為如此，情感分析的重要性開始為人們所熟知，微博內(nèi)容具有的特殊性，在無形之中增加了微博情感分析的難度，圍繞著微博情感分析展開探究，具有的現(xiàn)實意義自然不言而喻。

1 表情符號概述

越來越多的人選擇使用表情符號在微博中對自己的情感進行表達(dá)，正是因為如此，微博平臺提供的、用于對情感需要加以表達(dá)的表情符號的數(shù)量與過去相比也呈現(xiàn)出了明顯的上升趨勢。通過對常用網(wǎng)絡(luò)原創(chuàng)表情符號進行分析能夠發(fā)現(xiàn)，不同表情符號在表達(dá)情感能力的方面往往存在一定的差異，需要注意的是，雖然情感符號的使用頻率較高，能夠代表該情感符號感情明確或是含有特定感情，但是，即使感情符號的適用頻率較低，上述兩種可能仍舊存在，因此，研究人員不應(yīng)忽視低使用頻率的感情符號的重要性。除此之外，在人工標(biāo)注的過程中不難看出，對情感符號具有的情感傾向加以判斷，往往具有較高難度，因此，本文最終選定基于情感符號的EMCNN作為深度學(xué)習(xí)模型，應(yīng)用在對微博情感進行分析的過程中。

2 深度學(xué)習(xí)模型的構(gòu)建

通過上文的分析能夠看出，常用表情符號往往蘊含相應(yīng)的情感，并且具有明確的情感語義，另外，與情感詞相比較而言，表情符號的優(yōu)勢體現(xiàn)在情感的區(qū)分和指示兩方面，因此，本文所討論深度學(xué)習(xí)模型具有的情感語義，選擇表情符號所對應(yīng)詞向量作為增強工具。EMCNN模型的架構(gòu)符合自底向上、多層前向神經(jīng)等諸多要求，接下來以功能為依據(jù)，將深度學(xué)習(xí)模型進行劃分，共包括詞向量輸入，情感語義增強，卷積采樣以及情感得分輸出四層。

2.1 詞向量輸入

作為模型輸入層而存在的底部詞向量詞典，其構(gòu)成分為數(shù)據(jù)集中詞語、表情符號兩大類，每一列代表一個詞向量，若詞典包含n個元素，詞向量維度是d，那么W^e∈R^d·N，該式代表詞向量詞典所對應(yīng)的整個矩陣。將文本序列中與單詞元素相對應(yīng)的詞向量，根據(jù)所處位置進行拼接，可得出對文本序列詞向量加以表示的矩陣，R^S=，其中，代表的是在行向量方向上進行的拼接操作。

2.2 情感語義增強

如果想要得到情感空間中微博對應(yīng)的特征表示，應(yīng)當(dāng)以向量語義合成原理為依據(jù)，完成下列運算：E=（R^E）^T·R^M，其中，E代表的是情感空間中微博對應(yīng)的特征表示，R^E代表的是通過拼接操作得出的表情符號序列，R^M是微博所對應(yīng)詞向量的矩陣表示，作為表示微博文本序列的形式之一，R^M的優(yōu)勢在于為后續(xù)應(yīng)用矩陣運算完成語義合成操作提供便利，（R^E）^T代表的是R^E轉(zhuǎn)置，也就是說，如果選取表情符號為d_e個，R^E∈R^d·de。需要注意的是，數(shù)據(jù)集中的微博在長度方面往往存在一定的差異，因此，如果想要保證深度學(xué)習(xí)模型具備應(yīng)有的作用，所選擇微博長度的最大值就應(yīng)當(dāng)是d_m，此時，R^M∈R^d·dm，如果微博長度不足d_m，則可以通過將全。列向量添加在末端的方式，使微博長度與d_m相等。

2.3 卷積采樣

在完成上述操作后，可針對微博特征開展卷積操作，例如，在指定窗口合成微博文本語義，假設(shè)卷積算子：W^f∈R^de·dwin，其中，d_win代表的是卷積窗口的具體大小，卷積操作則可以通過如下方式進行表示：，其中，r_ij^f代表的是第J個詞語處，第i個卷積算子對應(yīng)的卷積結(jié)果，z_j代表的是在d_win范圍，E對應(yīng)的分塊矩陣，b_i^f表示的是i卷積算子i的偏置值。以E所對應(yīng)卷積操作方式存在的區(qū)別為依據(jù)，卷積窗口的滑動類型可分為兩種，分別是寬型和窄型，本文所討論深度學(xué)習(xí)模型應(yīng)用的為寬型卷積窗口。

2.4 情感得分輸出

將上文計算得出的向量x向多層感知器進行輸入，可得出比原有層次更高的特征表示，本文所討論深度學(xué)習(xí)模型不存在隱含層的多層感知器，對輸出向量進行變換后，可得出如下情感得分向量：Score（S）-B（W^hx+b^h），其中，Score（S）代表的是情感得分向量，W^h代表的是多層感知器所對應(yīng)參數(shù)矩陣，b^h代表的是多層感知器所對應(yīng)偏置量。另外，該深度學(xué)習(xí)模型所選用非線性變化以函數(shù)為基礎(chǔ)。

3 結(jié)論

綜上所述，文章以情感語義增強為核心，圍繞著深度學(xué)習(xí)模型的構(gòu)建展開了分析，首先以表情符號列表為對象，完成人工情感的標(biāo)注工作，這樣做的目的是對表情符號在情感指示方面具有的作用進行突出，通過分析不難看出，雖然無論是情感詞還是表情符號，在情感語義的區(qū)分度方面都具有較好的表現(xiàn)，但是與表情符號相比，情感詞的判別度稍顯欠缺，因此，文中基于表情符號列表所對應(yīng)詞向量，完成了對深度學(xué)習(xí)模型的構(gòu)建工作。

參考文獻(xiàn)

[1]何炎祥，孫松濤，牛菲菲，李飛.用于微博情感分析的一種情感語義增強的深度學(xué)習(xí)模型[J].計算機學(xué)報，2017，40（04）：773-790.

[2]張仰森，鄭佳，黃改娟，蔣玉茹.基于雙重注意力模型的微博情感分析方法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2018，58（02）：122-130.