張 璞，李 逍，劉 暢

(重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065)

0 引 言

情感分類作為情感分析的一項(xiàng)關(guān)鍵研究任務(wù)[1]，受到研究人員的廣泛關(guān)注。已有研究中，多數(shù)學(xué)者的研究集中于文檔級(jí)及句子級(jí)的情感分類[2-9]。作為細(xì)粒度情感分析領(lǐng)域的一項(xiàng)研究任務(wù)，方面級(jí)情感分類的目標(biāo)是確定句子中所描述對(duì)象的特定方面的情感極性。已有的方面級(jí)情感分類研究中，不少學(xué)者采用基于情感詞典的方法。王巍[10]通過構(gòu)建修飾詞表以及高頻搭配庫對(duì)評(píng)價(jià)單元進(jìn)行情感分類。該類方法的核心思想是“詞典+規(guī)則”，即根據(jù)情感詞典匹配評(píng)價(jià)短語中的情感詞，并考慮其中的否定詞、修飾詞以及搭配的評(píng)價(jià)對(duì)象，設(shè)計(jì)相應(yīng)的規(guī)則進(jìn)行情感分類，但由于網(wǎng)絡(luò)詞匯的不斷更新、語言表達(dá)的方式也復(fù)雜多變，該類方法難以處理新領(lǐng)域特有的語言現(xiàn)象。還有學(xué)者使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法來進(jìn)行方面級(jí)情感分類。Mohammad Al-Smadi等[11]利用樸素貝葉斯、貝葉斯網(wǎng)絡(luò)、決策樹、k-最近鄰(kNN)、支持向量機(jī)(SVM)等機(jī)器學(xué)習(xí)方法來構(gòu)建分類器，進(jìn)行方面級(jí)情感分類。曾義夫等[12]提出一種基于雙記憶注意力機(jī)制的方面級(jí)情感分類模型來判斷評(píng)論中評(píng)價(jià)對(duì)象的情感傾向?？傮w而言，基于機(jī)器學(xué)習(xí)的方法一定程度上彌補(bǔ)了情感詞典方法的不足，但需要大量時(shí)間和精力進(jìn)行數(shù)據(jù)標(biāo)注，且特征的提取和分類器的選取將直接影響到分類性能。

本文提出了一種基于情感詞匯與機(jī)器學(xué)習(xí)的方面級(jí)情感分類方法，在數(shù)據(jù)集上的微平均值和宏平均值分別達(dá)到89.61%和89.27%，相比4種傳統(tǒng)機(jī)器學(xué)習(xí)方法中表現(xiàn)最好的KNN方法分別提高了3.15%和3.66%。

1 相關(guān)介紹

1.1 評(píng)價(jià)搭配及情感類別

方面描述的是評(píng)價(jià)對(duì)象的某一側(cè)面，通常表示為評(píng)價(jià)對(duì)象的屬性，方面級(jí)情感分類任務(wù)主要針對(duì)由評(píng)價(jià)對(duì)象的某個(gè)特定方面與其評(píng)價(jià)詞組成的評(píng)價(jià)搭配進(jìn)行情感分類。例如“華為榮耀手機(jī)的做工好，顏色炫”這一評(píng)論語句中，評(píng)價(jià)對(duì)象為華為榮耀手機(jī)，所涉及方面為做工和顏色，評(píng)價(jià)搭配包括<做工，好>和<顏色，炫>，相應(yīng)的方面級(jí)情感分類結(jié)果均為積極。通常，評(píng)價(jià)搭配可分為以下幾種：第一種中，評(píng)價(jià)詞的情感傾向與評(píng)價(jià)對(duì)象無關(guān)，如評(píng)價(jià)搭配<手感，好>和<信號(hào)，好>等，其中的評(píng)價(jià)詞語“好”始終表達(dá)正向的情感；第二種評(píng)價(jià)搭配的情感傾向由評(píng)價(jià)對(duì)象和評(píng)價(jià)詞語共同決定，如<性價(jià)比，高>的情感傾向?yàn)檎颍?價(jià)格，高>的情感傾向?yàn)樨?fù)向，評(píng)價(jià)詞“高”對(duì)不同的評(píng)價(jià)對(duì)象表現(xiàn)出的情感傾向也不同；還有少部分評(píng)價(jià)搭配的評(píng)價(jià)詞沒有明顯的情感詞，多表現(xiàn)為動(dòng)詞或動(dòng)詞短語的形式，如<電池，每天需要充電>，這一類評(píng)價(jià)搭配需要對(duì)其進(jìn)行深層次理解才能判斷其情感傾向。本文的情感傾向類別包括正向、中性和負(fù)向這3類。

1.2 Word2Vec

Word2Vec是Google開源的一款詞向量表示模型的學(xué)習(xí)工具，其基本思想是將文本中的每個(gè)詞映射為一個(gè)固定維度的向量，將詞與詞之間的語義關(guān)系轉(zhuǎn)化為它們對(duì)應(yīng)的詞向量之間的距離。Word2Vec主要有CBOW和Skip-Gram模型。對(duì)于某個(gè)詞w(t)，如取上下文窗口大小為k，CBOW模型根據(jù)w(t-k) 至w(t+k) 的詞向量來預(yù)測(cè)當(dāng)前詞w(t) 的詞向量；Skip-Gram模型則利用當(dāng)前詞w(t) 和上下文窗口k來預(yù)測(cè)w(t-k) 至w(t+k) 的詞向量。本文使用Word2Vec訓(xùn)練詞向量模型來獲得文本的分布式表示。

1.3 互信息

互信息(MI)主要用來計(jì)算兩個(gè)隨機(jī)變量之間的相關(guān)性。對(duì)于某個(gè)特征項(xiàng)i和某個(gè)類別c，它們的互信息MI(i,c) 定義如式(1)所示

(1)

其中，N(i,c) 表示屬于類別c的文檔集合中出現(xiàn)特征項(xiàng)i的文檔數(shù)量；N(i) 表示數(shù)據(jù)集中出現(xiàn)特征項(xiàng)i的文檔數(shù)量；N(c) 表示屬于類別c的文檔數(shù)量；N為數(shù)據(jù)集中的文檔總數(shù)量。

2 情感分類方法流程

本文的方面級(jí)情感分類方法的流程如圖1所示。

圖1 本文方法的流程

2.1 基于情感詞匯的分類方法

2.1.1 傳統(tǒng)的情感詞典分類方法

情感詞典通常是指具有褒義或貶義傾向的詞語集合，傳統(tǒng)的基于情感詞典的分類方法在構(gòu)建和擴(kuò)充情感詞典之后，還需要考慮情感詞周圍的否定詞、修飾詞以及搭配的評(píng)價(jià)對(duì)象，對(duì)其制定相應(yīng)的規(guī)則進(jìn)情感分類，該方法分類效果的好壞取決于情感詞典和規(guī)則是否足夠完善。如產(chǎn)品的評(píng)價(jià)對(duì)象“電池”，與之搭配的評(píng)價(jià)詞“耐用”屬于褒義詞，但評(píng)價(jià)搭配<電池，不耐用>的情感傾向?yàn)樨?fù)向，這是由于包含了否定詞“不”，使得該評(píng)價(jià)搭配表現(xiàn)的情感傾向與情感詞典的判斷結(jié)果完全相反；再如評(píng)價(jià)搭配<電池，不是特別耐用>和<電池，不是很耐用>的情感傾向均表現(xiàn)為中性，這是由于否定詞“不是”與描述情感強(qiáng)度的修飾詞“特別”或“很”組合之后，整體表達(dá)的負(fù)向情感沒有那么強(qiáng)烈、肯定，但與正向情感又有較大差距，所以將這兩個(gè)評(píng)價(jià)搭配的情感傾向判定為中性；而對(duì)于評(píng)價(jià)搭配<電池，特別不耐用>和<電池，很不耐用>，同樣存在著否定詞“不”、表示情感強(qiáng)度的修飾詞“特別”和“很”，它們表現(xiàn)出來的情感傾向卻都是負(fù)向的。

因此，僅通過情感詞典和制定的相關(guān)規(guī)則對(duì)評(píng)價(jià)搭配進(jìn)行正向、中性和負(fù)向的情感分類，由于自然語言表達(dá)的多樣性導(dǎo)致規(guī)則的完整度難以達(dá)到理想狀態(tài)。

2.1.2 本文的情感詞匯分類方法

通過對(duì)已有標(biāo)注的評(píng)價(jià)搭配進(jìn)行觀察，發(fā)現(xiàn)大部分情感傾向?yàn)橹行缘脑u(píng)價(jià)搭配中的評(píng)價(jià)短語往往包含了特定的評(píng)價(jià)詞或修飾詞。如評(píng)價(jià)搭配<屏幕，有點(diǎn)小>，<質(zhì)量，還行>和<質(zhì)量，一般>等都表現(xiàn)為中性情感，其中的評(píng)價(jià)短語包含了“有點(diǎn)”和“還”等特定的修飾詞或“一般”等特定的評(píng)價(jià)詞，這些特定的詞與評(píng)價(jià)短語中的其它詞或不同的評(píng)價(jià)對(duì)象進(jìn)行搭配之后，表現(xiàn)的情感傾向?yàn)橹行?。?duì)評(píng)價(jià)搭配中這些特定詞進(jìn)行單獨(dú)考慮有利于提高情感分類效果。為方便敘述起見，本文將選取的極性評(píng)價(jià)詞及修飾詞統(tǒng)稱為情感詞匯。通過人工選取少量情感傾向與評(píng)價(jià)對(duì)象無關(guān)的正向、中性、負(fù)向情感詞組成情感詞匯，并根據(jù)以下策略判斷評(píng)價(jià)搭配的情感傾向：正向和負(fù)向情感詞與評(píng)價(jià)搭配中完整的評(píng)價(jià)短語進(jìn)行完全匹配，如評(píng)價(jià)搭配<運(yùn)行，流暢>可匹配為正向情感；對(duì)于情感詞匯中的中性修飾詞，則只需要情感詞匹配部分評(píng)價(jià)短語即可，如評(píng)價(jià)搭配<外表，還不錯(cuò)>和<性能，還可以>，它們的評(píng)價(jià)短語中有部分詞能夠成功匹配情感詞匯中的中性修飾詞“還”，因而傾向性判定為中性。本文的部分情感詞匯見表1。

表1 部分情感詞匯

2.2 融入互信息的情感分類方法

對(duì)沒有成功匹配2.1.2節(jié)中情感詞匯的評(píng)價(jià)搭配，本文使用Word2Vec對(duì)其進(jìn)行詞向量表示，然后利用傳統(tǒng)機(jī)器學(xué)習(xí)分類方法計(jì)算評(píng)價(jià)搭配屬于各類別的概率，并通過計(jì)算每個(gè)詞的互信息得到評(píng)價(jià)短語的總互信息，利用總互信息中各類別的占比對(duì)基礎(chǔ)的機(jī)器學(xué)習(xí)分類器得到的各類別分類概率進(jìn)行加權(quán)，然后選擇加權(quán)后概率最大的類別作為該評(píng)價(jià)搭配的情感類別。

2.2.1 基礎(chǔ)的機(jī)器學(xué)習(xí)分類器

傳統(tǒng)的機(jī)器學(xué)習(xí)分類方法中，邏輯回歸(LR)和支持向量機(jī)(SVM)分類器主要用于二分類，對(duì)于三分類問題通常需要使用一對(duì)一或一對(duì)多的方法對(duì)其進(jìn)行改進(jìn)，但這兩種分類器在本文的測(cè)試數(shù)據(jù)中分類效果并不理想，沒有正確判斷情感傾向的評(píng)價(jià)搭配分別占總測(cè)試數(shù)據(jù)的16.51%和20.41%；而樸素貝葉斯(NB)分類器對(duì)測(cè)試數(shù)據(jù)分類錯(cuò)誤的比例達(dá)到23.93%。

特別地，K-最鄰近法(KNN)分類器在分類過程中選擇最近的K個(gè)樣本中投票最多的類別作為待預(yù)測(cè)樣本所屬類別的決策結(jié)果，在處理二分類問題時(shí)只要將K值選取為奇數(shù)就能保證其中一個(gè)類別的投票數(shù)多于另一個(gè)類別，從而達(dá)到分類目的，但在處理本文的三分類問題時(shí)，可能存在某兩個(gè)或3個(gè)類別投票數(shù)相等的情況，這種情況下KNN分類器往往將第一個(gè)出現(xiàn)的類別作為決策結(jié)果，以至于對(duì)分類效果產(chǎn)生影響。通過分析結(jié)果得知，KNN中由于投票數(shù)相等導(dǎo)致的錯(cuò)誤占所有分類錯(cuò)誤的15.07%，而在測(cè)試數(shù)據(jù)中所有的出現(xiàn)兩個(gè)類別投票數(shù)相等的評(píng)價(jià)搭配中，以第一個(gè)出現(xiàn)的類別作為決策結(jié)果導(dǎo)致分類錯(cuò)誤的占47.83%，接近50%的隨機(jī)選擇結(jié)果。

本文將KNN分類器中各類別投票數(shù)占K值的比例作為該類別的分類概率，例如K值選取為5時(shí)對(duì)評(píng)價(jià)搭配<電池，不怎么好>和<包裝，太簡(jiǎn)單>進(jìn)行所屬類別預(yù)測(cè)，得到的各類別分類概率見表2。

表2 KNN的分類概率

從表2中可以看出，KNN分類器將評(píng)價(jià)搭配<電池，不怎么好>的情感傾向預(yù)測(cè)為中性和負(fù)向的可能性相同，將評(píng)價(jià)搭配<包裝，太簡(jiǎn)單>的情感傾向預(yù)測(cè)為正向和負(fù)向的概率也相等，這種在兩個(gè)分類概率相同的類別中隨機(jī)選擇的情況必然會(huì)在一定程度上影響到分類結(jié)果的準(zhǔn)確性。因此，需要進(jìn)一步對(duì)基礎(chǔ)分類器的分類概率進(jìn)行一定的權(quán)重計(jì)算，以提升分類效果。

2.2.2 融入互信息的機(jī)器學(xué)習(xí)分類器

一方面，三分類過程中，LR、SVM、NB等分類器分類效果有待提高；另一方面，KNN分類器出現(xiàn)某兩個(gè)或3個(gè)類別的分類概率相等而進(jìn)行隨機(jī)選擇會(huì)導(dǎo)致分類效果降低。針對(duì)這些問題，本文將互信息中各類別的占比作為機(jī)器學(xué)習(xí)分類概率的權(quán)重進(jìn)行情感分類。首先利用哈爾濱工業(yè)大學(xué)研發(fā)的語言技術(shù)平臺(tái)(LTP)的分詞模塊對(duì)評(píng)價(jià)對(duì)象和評(píng)價(jià)短語進(jìn)行分詞處理，然后根據(jù)式(1)對(duì)評(píng)價(jià)短語中的每個(gè)詞分別計(jì)算其與正向、中性和負(fù)向3個(gè)類別的互信息，然后通過式(2)得到整個(gè)評(píng)價(jià)短語分別對(duì)3個(gè)類別的總互信息。特別地，其中互信息值的負(fù)數(shù)本文將其設(shè)置為0

(2)

式中：評(píng)價(jià)短語s表示為 {w1,w2,…,wn}，類別集合為C={-1,0,1}。 對(duì)于輸入的測(cè)試數(shù)據(jù)，首先通過機(jī)器學(xué)習(xí)分類器得到該評(píng)價(jià)搭配分別屬于正向、中性和負(fù)向的概率集合P={p1,p2,p3}，然后根據(jù)評(píng)價(jià)短語的總互信息中各類別的占比分別對(duì)基礎(chǔ)分類器得到的概率進(jìn)行加權(quán)，如式(3)所示，最后選擇加權(quán)計(jì)算之后概率最大的類別作為該評(píng)價(jià)搭配的情感傾向分類結(jié)果

(3)

式中：pi表示基礎(chǔ)分類器預(yù)測(cè)評(píng)價(jià)搭配屬于類別ci的概率值，MI(s,ci) 表示評(píng)價(jià)短語s對(duì)于類別ci的總互信息，若3個(gè)類別的總互信息都為0，則將3個(gè)類別的權(quán)重都分配為1，否則根據(jù)總互信息中各類別的占比進(jìn)行權(quán)重分配。以KNN分類器為例，其加權(quán)前后的概率見表3。

表3 互信息加權(quán)前后的概率值

2.3 本文的情感分類算法

本文方法的完整算法如下：

輸入：測(cè)試評(píng)價(jià)搭配集合D={d1,d2,…,dn}；

輸出：各評(píng)價(jià)搭配所屬情感類別的集合R={r1,r2,…,rn}，其中ri的取值為正向、中性或負(fù)向；

步驟1 構(gòu)建情感詞匯集合E；

步驟2 計(jì)算訓(xùn)練集中評(píng)價(jià)短語的每個(gè)詞分別對(duì)于3個(gè)類別的互信息MI(w)={MI(w,c1),MI(w,c2),MI(w,c3)}，得到所有詞的互信息M={MI(w1),MI(w2),…,MI(wm)}；

步驟3 若評(píng)價(jià)搭配能夠匹配情感詞匯E，則直接判斷評(píng)價(jià)搭配的情感傾向，否則進(jìn)入步驟4；

步驟4 將Word2Vec訓(xùn)練得到的評(píng)價(jià)搭配詞向量輸入到LR、SVM、NB和KNN等基礎(chǔ)機(jī)器學(xué)習(xí)分類器中進(jìn)行分類，得到評(píng)價(jià)搭配分別屬于3個(gè)類別的概率集合P={p1,p2,p3}，根據(jù)集合M和式(2)得到評(píng)價(jià)搭配中評(píng)價(jià)短語s對(duì)各類別的總互信息集合MI={MI(s,c1),MI(s,c2),MI(s,c3)}，利用式(3)對(duì)集合P中的分類概率進(jìn)行加權(quán)，選取加權(quán)后概率最大的類別作為情感傾向類別，加入到R集合中；

步驟5 對(duì)每個(gè)評(píng)價(jià)搭配進(jìn)行步驟3和步驟4，直到測(cè)試數(shù)據(jù)全部處理完。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)設(shè)置及評(píng)價(jià)標(biāo)準(zhǔn)

3.1.1 實(shí)驗(yàn)數(shù)據(jù)

本文的實(shí)驗(yàn)數(shù)據(jù)集為自行爬取的3000條京東商城手機(jī)評(píng)論數(shù)據(jù)，利用gensim工具包中的Word2Vec模型使用默認(rèn)參數(shù)對(duì)所有的評(píng)論數(shù)據(jù)進(jìn)行訓(xùn)練得到100維的詞向量。對(duì)其中的1027條評(píng)論中進(jìn)行人工標(biāo)注得到1800個(gè)評(píng)價(jià)搭配及其情感傾向，其中正向評(píng)價(jià)搭配682個(gè)，中性評(píng)價(jià)搭配500個(gè)，負(fù)向評(píng)價(jià)搭配618個(gè)。使用scikit-learn工具包中的LR、SVM、NB和KNN等作為基礎(chǔ)的機(jī)器學(xué)習(xí)分類器，選取70%已有標(biāo)注的評(píng)價(jià)搭配作為訓(xùn)練集，剩下的30%作為測(cè)試集。

3.1.2 評(píng)價(jià)標(biāo)準(zhǔn)

本文分別對(duì)正向、中性和負(fù)向情感的分類結(jié)果進(jìn)行準(zhǔn)確率、召回率和F1值計(jì)算，然后對(duì)3個(gè)類別分別計(jì)算宏平均值和微平均值作為分類器整體性能的評(píng)價(jià)標(biāo)準(zhǔn)。

3.2 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文提出的針對(duì)評(píng)價(jià)搭配情感分類方法的有效性，選取了4種基礎(chǔ)的機(jī)器學(xué)習(xí)分類器作為對(duì)比實(shí)驗(yàn)，將其直接對(duì)已有標(biāo)注的評(píng)價(jià)搭配進(jìn)行訓(xùn)練得到分類模型，包括LR、SVM、NB和KNN等分類器，其中KNN分類器的K值選取為5時(shí)的分類效果最好。

3.3 實(shí)驗(yàn)結(jié)果與分析

3.3.1 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)所得到的正向、中性和負(fù)向情感分類的準(zhǔn)確率、召回率和F1值的實(shí)驗(yàn)結(jié)果分別見表4～表6，整體分類效果的宏平均值和微平均值見表7。其中，LR、SVM、NB、KNN分別代表4個(gè)傳統(tǒng)機(jī)器學(xué)習(xí)分類方法，“LR(EL&MI)”分類方法則表示本文方法以“LR”作為機(jī)器學(xué)習(xí)分類器，在此基礎(chǔ)上結(jié)合了情感詞匯與互信息(簡(jiǎn)稱 EL&MI)而得到的方法，其它分類方法的表示類似。

3.3.2 實(shí)驗(yàn)分析

從表7的實(shí)驗(yàn)結(jié)果可以看出，對(duì)3類別情感分類問題，本文提出的方法和4種傳統(tǒng)機(jī)器學(xué)習(xí)方法相比較，宏平均值和微平均值都取得了較好的提升效果，其中最高的宏平均值和微平均值分別達(dá)到89.27%和89.61%。

表4 正向情感的分類結(jié)果

表5 中性情感的分類結(jié)果

表6 負(fù)向情感的分類結(jié)果

表7 宏平均值與微平均值實(shí)驗(yàn)結(jié)果

從表5的實(shí)驗(yàn)結(jié)果可以明顯發(fā)現(xiàn)，4種基礎(chǔ)的機(jī)器學(xué)習(xí)分類器對(duì)中性情感的分類效果都不太好，其中SVM分類器的召回率只有50%，NB分類器的準(zhǔn)確率和F1值分別只有66.41%和61.15%，這個(gè)結(jié)果也驗(yàn)證了本文1.1節(jié)中提到的中性情感的判斷與正向、負(fù)向樣情感的區(qū)分度不夠明顯；而利用本文提出方法，SVM(EL&MI)分類器的準(zhǔn)確率略有降低，但召回率提升了32.67%，F(xiàn)1值提升了19.7%，NB(EL&MI)分類器的準(zhǔn)確率、召回率和F1值分別提升了13.98%、25.33%和20.02%，另外LR(EL&MI)和KNN(EL&MI)分類器的F1值分別提高了10.5%和7.74%。這個(gè)實(shí)驗(yàn)結(jié)果充分驗(yàn)證了本文所提出的方法對(duì)中性情感分類有顯著的提升效果。

從表4和表6的實(shí)驗(yàn)結(jié)果能夠看出，基礎(chǔ)的機(jī)器學(xué)習(xí)分類器對(duì)正向和負(fù)向情感的分類結(jié)果都好于表5的中性情感分類結(jié)果。而基于4種分類器的本文方法則對(duì)正向情感分類的F1值分別提高了3.33%、7.8%、9.06%和3.25%，且都達(dá)到90%以上，說明了本文方法對(duì)正向情感分類的有效性；負(fù)向情感的實(shí)驗(yàn)結(jié)果中，除了KNN(EL&MI)分類器的F1值幾乎保持不變外，LR(EL&MI)、SVM(EL&MI)、NB(EL&MI)等其它3個(gè)分類器的F1值分別提高了1.22%、3.65和3.01%，這也表明了本文方法對(duì)負(fù)向情感分類的有效性。

為了驗(yàn)證本文提出的情感詞匯和利用互信息對(duì)基礎(chǔ)分類器的分類概率進(jìn)行加權(quán)的這兩種方法各自的有效性，本文選取4種基礎(chǔ)機(jī)器學(xué)習(xí)分類器中取得最好效果的KNN分類器來另外設(shè)計(jì)了兩組對(duì)比實(shí)驗(yàn)：只加入情感詞匯(簡(jiǎn)稱EL)和只加入互信息進(jìn)行加權(quán)(簡(jiǎn)稱MI)，其實(shí)驗(yàn)結(jié)果見表8。

表8 KNN上分別加入EL和MI的分類結(jié)果

從表8中的實(shí)驗(yàn)結(jié)果可以看出，3種改進(jìn)方法都提升了正向和中性情感的分類效果，加入情感詞匯的方法KNN(EL)使負(fù)向情感分類的F1值提高了0.93%；方法KNN(EL)和KNN(MI)與KNN相比，在宏平均值上分別提升了1.9%和2.05%，而同時(shí)加入EL和MI之后，KNN(EL&MI)的宏平均值相比于KNN提高了3.66%，微平均值提高了3.15%。以上結(jié)果表明了本文方法對(duì)提升評(píng)價(jià)搭配情感分類性能的有效性。

4 結(jié)束語

本文提出一種基于情感詞匯與機(jī)器學(xué)習(xí)的方法進(jìn)行方面級(jí)情感分類，首先通過選取少量情感傾向不受評(píng)價(jià)對(duì)象影響的正向、中性和負(fù)向情感詞匯，對(duì)于匹配到情感詞匯的評(píng)價(jià)短語直接判斷情感傾向，否則通過計(jì)算每個(gè)詞的互信息得到評(píng)價(jià)短語的總互信息，然后利用總互信息值中各類別的占比來對(duì)基礎(chǔ)的機(jī)器學(xué)習(xí)分類器得到的各類別分類概率進(jìn)行加權(quán)，再選擇加權(quán)后概率最大的類別作為該評(píng)價(jià)搭配的情感傾向，以此得到評(píng)論語句中每個(gè)評(píng)價(jià)搭配的情感類別，實(shí)驗(yàn)結(jié)果表明了本文方法的有效性。

近年來，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺、自然語言處理等諸多領(lǐng)域內(nèi)不斷取得新的進(jìn)展，越來越多的研究者開始應(yīng)用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、門限神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制等深度學(xué)習(xí)方法來構(gòu)建方面級(jí)情感分類模型。因此，下一步工作中，將考慮利用更多的評(píng)價(jià)搭配上下文信息以及情感知識(shí)，構(gòu)建深度學(xué)習(xí)模型來進(jìn)一步提升方面級(jí)情感分類性能。