韓碩 蒿紅可

摘 ? 要：CNN與LSTM在情感分析任務(wù)中已有廣泛應(yīng)用，但單獨(dú)應(yīng)用CNN與LSTM模型時(shí)，模型自身的局限性限制了任務(wù)最重的分類準(zhǔn)確率。文章結(jié)合CNN與LSTM，設(shè)計(jì)了兩種情感極性分析模型，并對(duì)兩種模型進(jìn)行了論證。最后分別在兩種數(shù)據(jù)集上測(cè)試了模型，并將結(jié)果與常規(guī)模型進(jìn)行了比較。測(cè)試結(jié)果表明，這兩種模型相比常規(guī)模型均達(dá)到了更高的分類準(zhǔn)確率。

關(guān)鍵詞：情感分析;自然語(yǔ)言處理;深度學(xué)習(xí)

近些年，因分布式數(shù)據(jù)存儲(chǔ)技術(shù)的發(fā)展，大量數(shù)據(jù)被存儲(chǔ)下來(lái)，特別是各個(gè)論壇、博客、微博、Twitter和電商平臺(tái)用戶產(chǎn)生的在線評(píng)論等文本數(shù)據(jù)。自21世紀(jì)以來(lái)，情感分析成為自然語(yǔ)言處理（Natural Language Processing，NLP）中最活躍的研究領(lǐng)域之一。由于情感分析的研究對(duì)象多為人類語(yǔ)言，又因其對(duì)商業(yè)和管理、社會(huì)的重要性，其研究已經(jīng)從計(jì)算機(jī)科學(xué)擴(kuò)展到管理科學(xué)與社會(huì)科學(xué)，如政治學(xué)、市場(chǎng)營(yíng)銷(xiāo)學(xué)、金融、通信、健康科學(xué)甚至歷史。這種擴(kuò)散是自然發(fā)生且重要的，正確認(rèn)識(shí)這些人類活動(dòng)，對(duì)本文對(duì)事物的看法和未來(lái)的決策有著重要影響。

本文將使用深度學(xué)習(xí)模型在Twitter數(shù)據(jù)集（英文）與電商評(píng)論數(shù)據(jù)集（中文）上實(shí)現(xiàn)情感極性分類。任務(wù)目的是將數(shù)據(jù)集中的每一條文本準(zhǔn)確分類為“積極情感”或“消極情感”。

本文將引入多個(gè)深度學(xué)習(xí)模型，并且在本文收集到的數(shù)據(jù)集基礎(chǔ)上實(shí)現(xiàn)情感分類任務(wù)，觀察其不同表現(xiàn)。本文還探究了兩種比較流行的深度學(xué)習(xí)模型的組合在情感分類任務(wù)上的使用效果，設(shè)計(jì)了兩種組合模型，與其基礎(chǔ)模型和基于統(tǒng)計(jì)的方法作了比較。

1 ? ?CNN與LSTM簡(jiǎn)介

2006年Geoffrey Hinton[1-2]等提出了多隱層的人工神經(jīng)網(wǎng)絡(luò)，它相比淺層的神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力。多層次的網(wǎng)絡(luò)模型成為之后許多模型的主要架構(gòu)。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，之后又相繼出現(xiàn)了堆棧自編碼[3]、更深層的卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）等深度學(xué)習(xí)模型。CNN最初在圖像領(lǐng)域內(nèi)取得了卓越的成績(jī)。Kim等[4]使用CNN對(duì)文本進(jìn)行分類，也取得了很好的效果，證明CNN同樣可以抽取文本的特征信息。Lee等[5]使用RNN與CNN訓(xùn)練文本的向量，通過(guò)前饋神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)文本分類，取得了相對(duì)較好的準(zhǔn)確率，證明了在文本任務(wù)中，文本序列特征同樣重要。普通RNN雖然可以有效利用較短的上下文特征[6-7]，但缺點(diǎn)較為明顯，在訓(xùn)練時(shí)存在梯度消失的問(wèn)題，所以不能處理句子中的長(zhǎng)依賴特性。為解決這一問(wèn)題，RNN出現(xiàn)多個(gè)變種循環(huán)神經(jīng)網(wǎng)絡(luò)模型，如長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long-Short Term Memory，LSTM），可在文本上提取比普通RNN更長(zhǎng)距離的語(yǔ)義特征。本文的研究著重基于CNN與LSTM兩種基礎(chǔ)模型。

1.1 ?卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)最初因解決圖像問(wèn)題而出現(xiàn)，近幾年，在自然語(yǔ)言處理領(lǐng)域中也有廣泛應(yīng)用。CNN可以從原始數(shù)據(jù)中抽取局部信息。例如，CNN可以在不受圖片布局的影響下，以很高的準(zhǔn)確率判斷一張圖片里是否有一只貓[8]。

基礎(chǔ)的CNN模型由卷積層、池化層、全連接層構(gòu)成。原始數(shù)據(jù)被輸送到卷積層，這些數(shù)據(jù)可以是多重維度的，如彩色圖像的紅、綠、藍(lán)3個(gè)通道。卷積層中的多個(gè)卷積核可以橫向、縱向滑動(dòng)，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行局部采樣，采樣后的信息在池化層中池化。池化后的數(shù)據(jù)維度一般會(huì)大幅縮小，這些信息最終被送到全連接層，全連接層負(fù)責(zé)最后的數(shù)據(jù)處理。

在對(duì)文本進(jìn)行卷積操作前，原始文本被詞向量層表示為本文矩陣K，維度為l×d。其中，l為文本的最大長(zhǎng)度，d為詞向量的維度。CNN通過(guò)卷積核Wn×h×d對(duì)Kl×d編碼，此處n是卷積核的個(gè)數(shù)，h是卷積核的高度，在文本處理任務(wù)中，卷積核寬度d通常等于詞向量維度。在卷積層中，卷積核Wi在K中滑動(dòng)取樣，i=1，2，…n。在文本的處理中，由于字、詞轉(zhuǎn)化成的詞向量維度一般是固定的，所以卷積核通常不會(huì)在詞向量維度上滑動(dòng)采樣，而只是在詞的維度上滑動(dòng)。卷積層的輸出為O={o1，o2，…，on}，o的維度與每個(gè)卷積核的尺寸、步長(zhǎng)有關(guān)。在池化層中，建立像卷積核一樣可以滑動(dòng)的矩陣窗口，此窗口在oi上滑動(dòng)，此處i屬于1，2，…，n，對(duì)在窗口內(nèi)oi的部分使用最大池化方法，保留窗口的最大值，池化層輸出為P=[p1，p2，…，pn]。將P中的向量平鋪，再使用全連接層及softmax運(yùn)算得到最后的分類。

1.2 ?長(zhǎng)短時(shí)記憶模型

長(zhǎng)短時(shí)記憶模型是一種循環(huán)神經(jīng)網(wǎng)絡(luò)模型，該模型擁有記憶前序狀態(tài)的能力，所以特別適合處理序列問(wèn)題。由于訓(xùn)練算法通常是基于梯度的，在序列較長(zhǎng)的數(shù)據(jù)上，原始的循環(huán)神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)往往會(huì)產(chǎn)生梯度消失。為了解決這個(gè)問(wèn)題，LSTM在神經(jīng)元之間添加了“記憶細(xì)胞”，“記憶細(xì)胞”直接貫穿于整個(gè)神經(jīng)元之間，只參與少量的線性運(yùn)算，每個(gè)神經(jīng)元通常通過(guò)“輸入門(mén)”“輸出門(mén)”“遺忘門(mén)”獲取或控制“記憶細(xì)胞”中的內(nèi)容。

首先，句子中的詞被表示成維度為d的詞向量，文本被編碼成l×d的文本矩陣。這些向量被逐步輸送至神經(jīng)網(wǎng)絡(luò)中。第步數(shù)為t時(shí)，遺忘門(mén)根據(jù)當(dāng)前步的輸入計(jì)算出記憶細(xì)胞中哪些信息可以被遺忘，σ為sigmoid函數(shù)，最終輸出一個(gè)0～1之間的數(shù)值，公式如下：

輸入門(mén)由兩部分組成：第一部分，計(jì)算當(dāng)前輸入的哪部分需要更新，第二部分，創(chuàng)建一個(gè)初始的待更新向量。

經(jīng)上述操作后，更新細(xì)胞狀態(tài)為：

輸出層會(huì)基于細(xì)胞狀態(tài)計(jì)算輸出。首先，輸出層計(jì)算細(xì)胞中被輸出的部分：

其次，將細(xì)胞狀態(tài)通過(guò)tanh函數(shù)運(yùn)算得到﹣1～1之間的值，并與上部分的結(jié)果相乘，得到最終輸出的部分：

因這些門(mén)可以控制信息的流入與流出，記憶細(xì)胞可以儲(chǔ)存比一般的RNN更長(zhǎng)的序列信息，LSTM在處理文本任務(wù)中有著獨(dú)特的優(yōu)勢(shì)，它可以綜合上下文重新對(duì)文本進(jìn)行編碼。在情感分析任務(wù)中，它可以準(zhǔn)確處理情感比較復(fù)雜的語(yǔ)句。

1.3 ?數(shù)據(jù)集

1.3.1 ?推特?cái)?shù)據(jù)集（英文）

推特?cái)?shù)據(jù)集是Neik Sanders創(chuàng)建的“Twitter情感語(yǔ)料庫(kù)”，共有229 484條已標(biāo)記數(shù)據(jù)，使用樸素貝葉斯方法得到的最高正確率為65%。

1.3.2 ?商品評(píng)論數(shù)據(jù)集（中文）

商品評(píng)論數(shù)據(jù)包含約25 000條電商買(mǎi)家評(píng)價(jià)，所有數(shù)據(jù)已標(biāo)記，其中，積極情感、消極情感文本分別占所有數(shù)據(jù)集的50%。

2 ? ?模型設(shè)計(jì)

由于CNN具有抽取局部信息的能力，可以無(wú)視位置而對(duì)情感詞和詞組進(jìn)行抽取，LSTM可以依據(jù)順序處理情感特征?；谝陨峡紤]，本文結(jié)合了CNN與LSTM模型進(jìn)行探究。

2.1 ?CNN+LSTM

因?yàn)闆Q定文本情感類別的情感詞只在文本局部出現(xiàn)，所以實(shí)際中有一部分文本對(duì)情感分類任務(wù)是無(wú)用的，首先，CNN可以從原始文本中提取局部的情感信息;其次，利用LSTM序列分析能力對(duì)整體文本作出情感判斷。最后，用CNN抽取局部信息可以縮短LSTM的輸入序列長(zhǎng)度，避開(kāi)LSTM無(wú)法處理長(zhǎng)依賴的缺陷。本文基于情感分類語(yǔ)料庫(kù)長(zhǎng)度的考慮與兩種基本模型的特點(diǎn)，設(shè)計(jì)了CNN-LSTM模型（見(jiàn)圖1）。

此模型包含CNN與LSTM兩部分。文本為CNN設(shè)計(jì)了多個(gè)尺寸的卷積核，在尺寸相同的卷積核上使用不同步長(zhǎng)的采樣策略，可以讓CNN以不同的尺度感知文本中的情感因素。矩陣K被輸送到CNN中，經(jīng)過(guò)卷積操作后得到O={o1，o2，…，on}，其中，n等于卷積核的個(gè)數(shù)，即有n×d個(gè)參數(shù)。視卷積步長(zhǎng)而定，使用不同尺寸的卷積核可能會(huì)導(dǎo)致O中的向量維度不統(tǒng)一。文本根據(jù)o1，o2，…，on的維度，使用不同尺寸的池化窗口，使池化后的向量維度相等，得到P=[p1，p2，…，pn]。在Kim等的研究中，CNN模型在池化層在對(duì)卷積結(jié)果進(jìn)行池化時(shí)，將每個(gè)卷積核的結(jié)果進(jìn)行整體池化，Kim等稱之為Max-over-time。為了保存文本的序列信息，本文在池化操作時(shí)沒(méi)有采用Max-over-time方案，而采用了小窗口的池化采樣，這種池化方式可以使每個(gè)卷積核保留若干值組成的序列，以供LSTM提取序列特征。由于P中的每個(gè)向量還保存著原始文本的序列信息，故在重排列層將P做一次轉(zhuǎn)置操作得到PT，緊接著PT被送到LSTM的輸入層，LSTM會(huì)試圖學(xué)習(xí)情感特征之間的序列關(guān)系。取LSTM的最后一步狀態(tài)F1×λ，其中λ為神經(jīng)元個(gè)數(shù)。在softmax層中，先讓F與Wλ×cF做點(diǎn)擊運(yùn)算到L1×c，其中，c是情感類別個(gè)數(shù)，WF是待評(píng)估參數(shù)，在本文的實(shí)驗(yàn)中取c=2。再對(duì)F做softmax計(jì)算，得S=[s1，s2，…，sc]，其中，，i，j∈L;η=1，2，…，c。S中各個(gè)元素的數(shù)值即為原文本屬于各個(gè)情感類別的概率。

2.2 ?LSTM+CNN

LSTM可以依據(jù)其強(qiáng)大的序列處理能力對(duì)詞向量進(jìn)行重新編碼，編碼后的詞向量擁有更為豐富的上下文表達(dá)。CNN可以進(jìn)一步提取這些信息的局部信息，從而給出更準(zhǔn)確的情感分類結(jié)果。

首先，文本矩陣K被輸送到LSTM中，得到LSTM每一步的輸出Hλ×1=[h1， h2， …， hl]，其中，λ為L(zhǎng)STM神經(jīng)元的個(gè)數(shù);其次，將H作為CNN的輸入。在卷積層的設(shè)計(jì)中，文本使用的卷積核寬度與LSTM單元的個(gè)數(shù)相同，卷積核在LSTM輸出的步維度上滑動(dòng)取樣得到O=[o1，o2，…，on]，經(jīng)過(guò)池化層得到P=[p1，p2，…，pn]，再將P中的每個(gè)向量平鋪得到F。在全連接層中，F(xiàn)與WF做點(diǎn)積運(yùn)算再經(jīng)過(guò)softmax運(yùn)算，最終得到文本的情感分類概率。

2.3 ?損失函數(shù)

在上述兩種模型的學(xué)習(xí)過(guò)程中，均采用交叉熵誤差作為模型的損失函數(shù)。具體公式如下：

其中，N為訓(xùn)練的樣本數(shù)，y為模型輸出的每個(gè)類別的預(yù)測(cè)概率，t為第i個(gè)樣本的真實(shí)類別，訓(xùn)練目的是讓J最小化。

3 ? ?實(shí)驗(yàn)

3.1 ?實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證模型的分類效果，本文使用tensorflow對(duì)前兩部分所述模型進(jìn)行了構(gòu)建，并在兩種語(yǔ)言的公共語(yǔ)料上進(jìn)行實(shí)驗(yàn)，列舉了實(shí)驗(yàn)過(guò)程及結(jié)果，最后對(duì)這兩種實(shí)驗(yàn)結(jié)果進(jìn)行了分析。

英文的推特?cái)?shù)據(jù)集樣本容量較大，本文僅使用了1%的數(shù)據(jù)作為測(cè)試集，其余數(shù)據(jù)均參與訓(xùn)練。每個(gè)模型均測(cè)試3次，測(cè)試結(jié)果取其平均值。本文對(duì)中文電商數(shù)據(jù)進(jìn)行了分詞預(yù)處理，使用了2 000條積極情感文本、2 000條消極情感文本作為測(cè)試集，其余數(shù)據(jù)均參與訓(xùn)練。每個(gè)模型均測(cè)試3次，測(cè)試結(jié)果取平均值。

本文使用的詞向量維度為512，LSTM單元64個(gè)，卷積核32個(gè)。實(shí)驗(yàn)所使用的設(shè)備配置如下：系統(tǒng)16.04-Ubuntu，CPU為Intel酷睿i7-7700，主頻2.8 GHz，16 G內(nèi)存，GPU為NVIDIAGeForce-1060，6 G顯存。

3.2 ?實(shí)驗(yàn)結(jié)果分析

在不同語(yǔ)言的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)后，本文發(fā)現(xiàn)LSTM-CNN與CNN-LSTM模型均優(yōu)于CNN及LSTM模型1.5%～3.5%，LSTM-CNN模型以0.3%～0.8%優(yōu)于CNN-LSTM模型。在不同數(shù)據(jù)集方面，CNN，LSTM，LSTM+CNN，CNN+LSTM模型的表現(xiàn)差異較大，這4種模型在中文數(shù)據(jù)集上表現(xiàn)更好，當(dāng)然，這可能和推特文本中存在大量簡(jiǎn)寫(xiě)及錯(cuò)誤拼寫(xiě)現(xiàn)象有關(guān)。

實(shí)驗(yàn)結(jié)果印證了本文的論證。CNN+LSTM模型可以使LSTM更高效地利用原始文本的序列信息，本文進(jìn)一步猜測(cè)，這種優(yōu)勢(shì)在處理長(zhǎng)度更長(zhǎng)的句子時(shí)更加顯著。但是在句子長(zhǎng)度普遍小于70的情感分類語(yǔ)料中，LSTM+CNN模型的效果是這幾種組合中最好的。該模型中的LSTM單元充當(dāng)解碼器，將原始句子中的每個(gè)詞都解碼為一個(gè)中間信息，這個(gè)中間信息除了這個(gè)單詞本身的含義，還包含它之前單詞的信息。之后，CNN可以利用其強(qiáng)大的信息識(shí)別能力處理更為豐富的中間信息，從而獲得更好的分類效果。CNN，LSTM，CNN-LSTM，LSTM-CNN的分類結(jié)果如表1所示。

4 ? ?結(jié)語(yǔ)

在本文的研究中，結(jié)合了CNN與LSTM模型，并在兩種不同語(yǔ)言的數(shù)據(jù)集中測(cè)試，最終獲得了更高的情感分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，LSTM-CNN與CNN-LSTM模型以1.5%～3.5%的準(zhǔn)確率優(yōu)于CNN及LSTM。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文的設(shè)想，在語(yǔ)句級(jí)的情感分析任務(wù)中，聯(lián)合CNN與LSTM可以發(fā)揮兩個(gè)模型的優(yōu)勢(shì)，達(dá)到更佳的準(zhǔn)確率。

此次實(shí)驗(yàn)中，CNN+LSTM的表現(xiàn)雖然優(yōu)于CNN與LSTM模型，但在這兩種語(yǔ)料中的效果都不是最好的，本文進(jìn)一步地猜測(cè)此模型更適用于較長(zhǎng)的句子。另外，LSTM+CNN模型雖然表現(xiàn)最佳，但是該模型組合并沒(méi)有克服LSTM不能處理長(zhǎng)序列的缺陷，其在更長(zhǎng)的句子中的效果可能欠佳。在未來(lái)，筆者將進(jìn)一步測(cè)試此模型在長(zhǎng)句的情感分析任務(wù)中的表現(xiàn)，進(jìn)一步對(duì)模型進(jìn)行研究以克服長(zhǎng)序列難題。

[參考文獻(xiàn)]

[1]HINTON G E，SALAKHUTDINOV R R.Reducing the dimensionality of data with neural networks[J].Science，2006（5786）：504-507.

[2]HINTON G E，OSINDERO S，TEH Y W.A fast learning algorithm for deep belief nets[J].Neural Computation，2006（7）：1527-1554.

[3]LAROCHELLE H，BENGIO Y，LOURADOUR J，et al.Exploring strategies for training deep neural networks[J].Journal of Machine Learning Research，2009（10）：1-40.

[4]KIM Y.Convolutional neural networks for sentence classification[J].Eprint Arxiv，2014（14）：1181.

[5]LEE J Y，DERNONCOURT F.Sequential short-text classification with recurrent and convolutional neural networks[J].arXiv Preprint：2016（4）：515-520.

[6]CHO K，VAN M B，GULCEHRE C，et al.Learning phrase representations using RNN encoder-decoder for statistical machine translation[J].arXiv Preprin，2014（14）：1078.

[7]EBRAHIMI J，DOU D.Chain based RNN for relation classification[C].Colorado：Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies，2015.

[8]SANDERS N.Twitter sentiment corpus[EB/OL].（2019-03-15）[2019-09-10].http：//www.sananalytics.com/lab/twitter-sentiment/.