邱寧佳，王曉霞，王 鵬，王艷春

（長(zhǎng)春理工大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022）

（*通信作者wpeng@cust.edu.cn）

0 引言

近年來(lái)對(duì)文本進(jìn)行情感分析成為了自然語(yǔ)言處理領(lǐng)域的重要分支，進(jìn)行有效的情感分析能夠幫助用戶(hù)及時(shí)掌握所在領(lǐng)域的情緒動(dòng)態(tài)。傳統(tǒng)的文本情感分類(lèi)方法主要為基于情感詞典與基于機(jī)器學(xué)習(xí)的方法。在基于情感詞典的研究方法上，Araque 等［1］使用語(yǔ)義相似性度量與嵌入式表示結(jié)合使用，該模型表明了詞匯的選擇對(duì)跨數(shù)據(jù)集性能有影響；Zhang等［2］提出了一種基于情感詞典的方法，解決了中文文本情感分析問(wèn)題；Xu 等［3］提出的基于擴(kuò)展情感詞典的方法對(duì)評(píng)論文本的情感識(shí)別具有一定的可行性和準(zhǔn)確性。此外，對(duì)于情感詞典跨數(shù)據(jù)集的適用性問(wèn)題，Hung［4］根據(jù)上下文信息構(gòu)建適合領(lǐng)域的情感詞典，并將其與偏好向量模型相結(jié)合，實(shí)現(xiàn)了IMDB和hotels.com 數(shù)據(jù)集口碑質(zhì)量分類(lèi)的顯著改進(jìn)；Khoo 等［5］也提出了新的通用情感詞典WKWSCI（Wee Kim Wee School of Communication and Information），將其與常用的五種情感詞典進(jìn)行比較后也取得了不錯(cuò)的分類(lèi)成績(jī)。在基于機(jī)器學(xué)習(xí)的研究方法上，Singh 等［6］利用了樸素貝葉斯、J48、BFTree 和One Rule（OneR）四種機(jī)器學(xué)習(xí)分類(lèi)器對(duì)IMDB 電影評(píng)論數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，對(duì)比分析了四種分類(lèi)器各自的性能；Anggita等［7］使用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法優(yōu)化了樸素貝葉斯和支持向量機(jī)（Support Vector Machines，SVM），提高了原算法的分類(lèi)精度；對(duì)產(chǎn)品評(píng)論進(jìn)行情感分類(lèi)時(shí)，Tama 等［8］采用了樸素貝葉斯算法得到了80.48%的分類(lèi)準(zhǔn)確性?；谇楦性~典的分類(lèi)過(guò)分依賴(lài)于構(gòu)建的情感詞典，通用性不強(qiáng)；而基于機(jī)器學(xué)習(xí)的方法通常需依賴(lài)復(fù)雜的特征過(guò)程，且人工標(biāo)注成本較高。

深度學(xué)習(xí)在不同情感分析領(lǐng)域取得了優(yōu)異成績(jī)，現(xiàn)已成為文本情感分析的主流技術(shù)。陳珂等［9］利用多通道卷積神經(jīng)網(wǎng)絡(luò)（Multi-Channels Convolutional Neural Network，MCCNN）模型使其從多方面的特征表示學(xué)習(xí)輸入句子的情感信息；Long 等［10］將雙向長(zhǎng)短時(shí)記憶（Bidirectional Long Short-Term Memory，Bi-LSTM）網(wǎng)絡(luò)與多頭注意力機(jī)制相結(jié)合對(duì)社交媒體文本進(jìn)行情感分析，克服了傳統(tǒng)機(jī)器學(xué)習(xí)中的不足；孫凱［11］、李洋等［12］、趙宏等［13］將卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）與Bi-LSTM 融合起來(lái)，解決了現(xiàn)有情感分析方法特征提取不充分的問(wèn)題，并分別通過(guò)實(shí)驗(yàn)表明了該融合模型在實(shí)際應(yīng)用中具有較大的價(jià)值；同時(shí)，Wang 等［14］研究了樹(shù)形結(jié)構(gòu)的區(qū)域CNN-BiLSTM 模型，提供了更細(xì)粒度的情感分析，在不同語(yǔ)料庫(kù)上都取得了不錯(cuò)的分類(lèi)效果。同時(shí)，為了充分發(fā)揮語(yǔ)法規(guī)則在中文文本中的重要性，學(xué)者們還嘗試將其融入神經(jīng)網(wǎng)絡(luò)中，如盧強(qiáng)等［15］將語(yǔ)法規(guī)則與Bi-LSTM相融合，何雪琴等［16］則將其與CNN 相融合，通過(guò)設(shè)置對(duì)比實(shí)驗(yàn)，各自都在不同數(shù)據(jù)集上取得了更好的分類(lèi)效果。

針對(duì)上述研究現(xiàn)狀，本文融合語(yǔ)法規(guī)則構(gòu)建雙通道中文情感模型，首先設(shè)計(jì)語(yǔ)法規(guī)則對(duì)文本進(jìn)行預(yù)處理，以保留情感傾向更明顯的文本；然后使用CNN 的強(qiáng)語(yǔ)義特征提取能力在不同窗口大小得到粒度不同的局部情感特征，同時(shí)為了彌補(bǔ)語(yǔ)法規(guī)則處理時(shí)可能忽視上下文信息問(wèn)題的不足，利用Bi-LSTM挖掘到文本時(shí)間跨度更大時(shí)的語(yǔ)義依賴(lài)關(guān)系，獲取到包含上下文信息的全局特征；最后將融合后的局部特征與全局特征使用分類(lèi)器對(duì)文本進(jìn)行情感分類(lèi)。

1 中文語(yǔ)法規(guī)則的構(gòu)建

為了解決因中文文本語(yǔ)義多樣化而導(dǎo)致CNN 情感特征提取困難的問(wèn)題，本文考慮首先設(shè)計(jì)語(yǔ)法規(guī)則對(duì)文本進(jìn)行初步情感信息清洗，降低文本語(yǔ)義復(fù)雜性，從而獲取到情感傾向更加明確的文本信息；再使用Word2Vec模型進(jìn)行訓(xùn)練得到規(guī)則特征向量后作為CNN 的輸入。通過(guò)中文文本語(yǔ)法規(guī)則研究發(fā)現(xiàn)：文本中的情感傾向詞所在句直接表達(dá)了作者正面或負(fù)面情感；總結(jié)詞則表明了文本的中心思想，直接影響了句子的情感傾向；而轉(zhuǎn)折詞則實(shí)現(xiàn)前后情感反轉(zhuǎn)的作用。其中轉(zhuǎn)折詞分為兩類(lèi)：甲類(lèi)轉(zhuǎn)折詞所在句帶有明顯的情感傾向；乙類(lèi)轉(zhuǎn)折詞則起到過(guò)渡作用，所在句的內(nèi)容不能夠表達(dá)文本的情感傾向，其情感傾向常表現(xiàn)在余下語(yǔ)句中。為了充分發(fā)揮情感傾向詞、總結(jié)詞、轉(zhuǎn)折詞在文本情感傾向信息提取中的作用，本文將依據(jù)數(shù)據(jù)集進(jìn)行這三類(lèi)詞的提煉匯總，設(shè)計(jì)出三類(lèi)情感詞典：EmoTendencyWords 情感傾向詞詞典、SumWords 總結(jié)詞詞典和TurnWords 轉(zhuǎn)折詞詞典，然后根據(jù)這三類(lèi)詞典對(duì)中文文本進(jìn)行語(yǔ)法規(guī)則設(shè)定，以獲取情感傾向更加明確的信息，方便CNN 在訓(xùn)練時(shí)獲取情感傾向特征。令W表示整個(gè)評(píng)論文本，Wi表示文本中的各個(gè)分句，定義該評(píng)論文本的分句集合為{W1，W2，…，Wn}，W′則表示經(jīng)語(yǔ)法規(guī)則處理后的文本。規(guī)則如下：

規(guī)則1 若評(píng)論文本W(wǎng)中通過(guò)匹配EmoTendencyWords情感傾向詞詞典，存在情感傾向詞，則直接提取情感傾向詞所在的分句Wi，然后根據(jù)情感傾向詞詞典直接判定評(píng)論文本W(wǎng)的正負(fù)面。

當(dāng)文本中出現(xiàn)多個(gè)情感傾向詞時(shí)，參照文獻(xiàn)［16］提出的“主題詞+直接分類(lèi)法”進(jìn)行該文本的情感傾向判定，通過(guò)主題詞判定該情感傾向詞是否有效，若無(wú)效則舍棄。具體方法為：首先根據(jù)數(shù)據(jù)集設(shè)定好種子主題詞，利用Word2Vec 工具文本將文本轉(zhuǎn)換為詞向量表示wi={si1，si2，…，sik}；然后計(jì)算詞向量之間的歐氏距離來(lái)判斷該分句與種子主題詞之間相似度，閾值范圍以?xún)?nèi)則為相關(guān)主題，表示該情感傾向詞有效；最后統(tǒng)計(jì)有效正負(fù)面情感傾向詞個(gè)數(shù)并比較，正面?zhèn)€數(shù)多則該文本W(wǎng)情感傾向?yàn)榉e極，反之則為消極。相似度計(jì)算公式如式（1）所示：

sim(w1，w2)=
∑
j=1，2，…，k(s1j-s2j)2（1）

規(guī)則2 若評(píng)論文本W(wǎng)中無(wú)情感傾向詞，則與SumWords總結(jié)詞詞典進(jìn)行匹配，若存在某總結(jié)詞，則直接提取總結(jié)詞后的分句Wi。若文本中出現(xiàn)多個(gè)總結(jié)詞，為提高分類(lèi)效率，默認(rèn)只提取第一個(gè)總結(jié)詞以后的分句Wi。

規(guī)則3 若評(píng)論文本W(wǎng)中無(wú)情感傾向詞與直接分類(lèi)詞，則與TurnWords 轉(zhuǎn)折詞詞典進(jìn)行匹配，若存在甲類(lèi)轉(zhuǎn)折詞，則直接提取該轉(zhuǎn)折詞之后的所有分句{Wi，Wi+1，…，Wn} ；若存在乙類(lèi)轉(zhuǎn)折詞，則忽略該轉(zhuǎn)折詞所在分句Wi，提取評(píng)論其他內(nèi)容{W1，W2，…，Wi-1，Wi+1，…，Wn} 。

規(guī)則4 若評(píng)論文本W(wǎng)均不屬于上述三種情況，則直接保留原文本內(nèi)容W。

利用語(yǔ)法規(guī)則提取情感傾向語(yǔ)句的流程如圖1所示。

圖1 利用語(yǔ)法規(guī)則提取情感傾向語(yǔ)句的流程Fig.1 Flowchart of extracting sentiment sentences using grammatical rules

文本W(wǎng)經(jīng)語(yǔ)法規(guī)則處理后會(huì)先后出現(xiàn)四種情況：1）直接根據(jù)情感傾向詞得到文本的情感分類(lèi)結(jié)果；2）得到含有總結(jié)詞的分句；3）得到判斷甲乙類(lèi)轉(zhuǎn)折詞的分句；4）得到原文本。如此處理后得到的文本W(wǎng)′，大部分相較原文本更加簡(jiǎn)短且具有明顯的情感傾向，大大降低了中文文本的語(yǔ)義多樣化，從而解決了輸入到CNN 后訓(xùn)練時(shí)因文本語(yǔ)義復(fù)雜而導(dǎo)致的特征提取困難問(wèn)題。

2 雙通道神經(jīng)網(wǎng)絡(luò)

2.1 CNN通道

CNN 擁有局部感知與參數(shù)共享兩大特點(diǎn)，每個(gè)神經(jīng)元只需對(duì)局部進(jìn)行感知，且在局部連接中，每個(gè)神經(jīng)元的參數(shù)都是一樣的，進(jìn)行卷積操作時(shí)實(shí)際上是提取一個(gè)個(gè)的局部信息。因此對(duì)于規(guī)則處理后的文本W(wǎng)′，使用CNN 模型能夠有效地提取出局部特征。CNN通道模型結(jié)構(gòu)如圖2所示。

圖2 CNN通道模型結(jié)構(gòu)Fig.2 Channel model structure of CNN

在CNN 模型訓(xùn)練中，經(jīng)語(yǔ)法規(guī)則處理后得到評(píng)論文本W(wǎng)′，然后使用jieba 分詞得到文本序列為x={x1，x2，…，xn}，其中xn∈R(R表示文本數(shù)據(jù)集構(gòu)成的詞典)，通過(guò)詞嵌入技術(shù)Word2Vec 得到整個(gè)文本序列的詞向量句子表示如式（2）所示，其中，xi表示wi對(duì)應(yīng)的詞向量，⊕為拼接操作。

將X作為卷積層的輸入，通過(guò)大小為r*k的濾波器提取出不同位置的局部特征，計(jì)算公式如式（3）：

其中：F為濾波器大小，V(w(i：i+r-1))為X中從i到i+r-1 共r行詞向量詞組，b為偏置項(xiàng)。故通過(guò)卷積層后得到輸出h=[h1，h2，…，hn-r+1]。由于卷積核共享存在著特征提取不充分的問(wèn)題，需通過(guò)增加多個(gè)卷積核來(lái)彌補(bǔ)，通過(guò)固定參數(shù)的訓(xùn)練方法得到CNN 卷積窗口分別為3、4、5 時(shí)分類(lèi)效果更好，故經(jīng)過(guò)卷積操作后本文的卷積輸出為h3、h4、h5。

然后對(duì)于卷積層的每一個(gè)輸出向量h與Bi-LSTM 提取出的全局特征hblstm進(jìn)行注意力池化操作以提取出更能夠表達(dá)情感傾向的特征。其中，注意力池化是指通過(guò)式（4）、（5）計(jì)算出當(dāng)前局部特征與全局特征之間的相似性，且相似性越高則為該局部特征分配更大的權(quán)重。

其中：函數(shù)sim()通過(guò)余弦函數(shù)計(jì)算局部特征與全局特征之間的相似度，?i為權(quán)重。計(jì)算出權(quán)重后，最終的局部特征表示hcnn由式（6）得到。

2.2 Bi-LSTM通道

由于經(jīng)語(yǔ)法規(guī)則處理后的評(píng)論文本W(wǎng)′可能會(huì)省略掉部分文本，從而導(dǎo)致了上下文信息缺失的問(wèn)題，因此使用Bi-LSTM 模型來(lái)獲取包含上下文信息的全局特征。模型結(jié)構(gòu)如圖3所示。

圖3 Bi-LSTM通道模型結(jié)構(gòu)Fig.3 Channel model structure of Bi-LSTM

將未經(jīng)語(yǔ)法規(guī)則處理的文本經(jīng)過(guò)jieba 分詞以后利用Glove 工具訓(xùn)練得到詞向量，再作為Bi-LSTM 模型的輸入。其原理就是首先構(gòu)建基于語(yǔ)料庫(kù)的詞共現(xiàn)矩陣，然后根據(jù)共現(xiàn)矩陣與Glove模型學(xué)習(xí)詞向量。Glove模型綜合了潛在語(yǔ)義分析（Latent Semantic Analysis，LSA）和Word2Vec 模型的優(yōu)點(diǎn)，在高效清晰的地表達(dá)文本語(yǔ)義的同時(shí)考慮了全局的文本信息。設(shè)第i個(gè)單詞的n維詞向量表示為vi={w1，w2，…，wn}，將每個(gè)單詞向量V結(jié)合起來(lái)形成句子的矩陣表示形式Rs×n，其中，每一行是每個(gè)單詞對(duì)應(yīng)的詞向量權(quán)重。設(shè)s代表單詞總數(shù)，若確定了詞向量權(quán)重的維度大小，則該矩陣的列也將確定，n代表詞語(yǔ)維度。令vi∈Rn表示第i個(gè)詞的n維詞向量，則長(zhǎng)度為s的文本表示為：

經(jīng)過(guò)將單詞轉(zhuǎn)換為詞向量，則句子中的每個(gè)詞的詞向量拼接最終組成了詞向量矩陣，即V∈Rs×n。接著將詞向量從前后兩個(gè)方向輸入模型，設(shè)定w、u、v、v′為Bi-LSTM 模型的權(quán)重，當(dāng)前單元輸入為xt，前一單元輸入為ht-1，后一單元輸入為ht+1。由式（8）得到上文的情感傾向特征，由式（9）得到下文的情感傾向特征，最終由式（10）得到了包含上下文信息的全局特征hblstm。

綜上，由雙通道神經(jīng)網(wǎng)絡(luò)得到了文本的局部hcnn與全局特征hblstm，并將兩者作為本文提出的CB_Rule 模型特征融合的輸入，以增強(qiáng)分類(lèi)器中情感特征的全面性，從而提高情感分類(lèi)精度。

3 融合語(yǔ)法規(guī)則的雙通道中文情感分析模型

雖然經(jīng)語(yǔ)法規(guī)則處理后的文本能夠使CNN 獲取到情感傾向更加明確的局部特征hcnn，但也存在因語(yǔ)法規(guī)則而存在的忽略上下文信息的問(wèn)題，考慮使用Bi-LSTM 提取出的全局特征來(lái)作為局部特征被忽略問(wèn)題的彌補(bǔ)，所以本文將其與Bi-LSTM 提取的全局特征hblstm融合起來(lái)。融合公式如式（11）所示：

融合即將hcnn與hblstm拼接在一起，一同作為全連接層的輸入，并引入Dropout 機(jī)制，這樣能有效避免模型對(duì)部分特征產(chǎn)生依賴(lài)，從而發(fā)生過(guò)擬合現(xiàn)象，最后將其輸入到softmax 分類(lèi)器中。融合流程如圖4所示。

特征融合既充分利用了CNN 強(qiáng)大的文本特征提取能力，又發(fā)揮了Bi-LSTM 對(duì)時(shí)間序列信息強(qiáng)大的記憶力，最終能夠讓分類(lèi)器得到的情感傾向特征h更加全面，最后通過(guò)分類(lèi)器得到中文文本情感分類(lèi)類(lèi)別。分類(lèi)公式如式（12）所示：

其中：Wh為權(quán)重矩陣，bh為偏置，y為情感類(lèi)別。

同時(shí)本文將利用反向傳播算法來(lái)訓(xùn)練模型，通過(guò)最小化交叉熵得到的損失函數(shù)來(lái)優(yōu)化模型，如式（13）所示。

其中：c為情感類(lèi)別數(shù)量，n為句子數(shù)量，pi為實(shí)際類(lèi)別，yi為預(yù)測(cè)類(lèi)別，λ為L(zhǎng)2正則化權(quán)重，Θ包含了CNN 和Bi-LSTM 中的所有權(quán)重及偏置項(xiàng)。

圖4 雙通道特征融合流程Fig.4 Flowchart of double-channel feature fusion

綜上，融合語(yǔ)法規(guī)則的雙通道神經(jīng)網(wǎng)絡(luò)模型如圖5所示。

圖5 融合語(yǔ)法規(guī)則的雙通道神經(jīng)網(wǎng)絡(luò)模型Fig.5 Double-channel neural network model integrating grammar rules

由圖5可知，模型的構(gòu)建過(guò)程如下：

1）將文本預(yù)處理后的數(shù)據(jù)依據(jù)設(shè)定的語(yǔ)法規(guī)則獲取到文本的情感信息語(yǔ)句，然后通過(guò)Word2Vec詞嵌入工具轉(zhuǎn)換成規(guī)則特征向量，再將規(guī)則特征向量輸入到CNN 模型；同時(shí)將未經(jīng)規(guī)則處理的文本經(jīng)過(guò)Glove 工具轉(zhuǎn)換成詞向量，輸入到Bi-LSTM模型。

2）在CNN 和Bi-LSTM 相結(jié)合的神經(jīng)網(wǎng)絡(luò)模型中，CNN 模型提取出文本的局部特征，其中將使用注意力池化的方法來(lái)提取出CNN 卷積層的局部特征，以此來(lái)判斷哪些特征能夠包含更多的情感信息；而B(niǎo)i-LSTM 則用來(lái)提取出文本的全局特征。

3）將雙通道神經(jīng)網(wǎng)絡(luò)模型輸出的局部特征與全局特征進(jìn)行融合后，輸入到分類(lèi)器中進(jìn)行情感分類(lèi)。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

本文所采用的實(shí)驗(yàn)數(shù)據(jù)為情感分析開(kāi)源數(shù)據(jù)集online_shopping_10_cats 電商購(gòu)物評(píng)論，數(shù)據(jù)對(duì)象有書(shū)籍、平板、手機(jī)、水果等十個(gè)類(lèi)別，電商評(píng)論情感標(biāo)簽分為兩類(lèi)［0，1］，積極評(píng)論情感標(biāo)簽為1，消極評(píng)論情感標(biāo)簽為0。共62 272條數(shù)據(jù)，其中正向評(píng)論31 351 條，負(fù)向評(píng)論31 421 條，數(shù)據(jù)集具體數(shù)據(jù)分布見(jiàn)表1。實(shí)驗(yàn)數(shù)據(jù)的訓(xùn)練集與測(cè)試集比例設(shè)置為8∶2。

表1 數(shù)據(jù)集的數(shù)據(jù)分布Tab.1 Data distribution of dataset

4.2 實(shí)驗(yàn)參數(shù)設(shè)置

本文融合神經(jīng)網(wǎng)絡(luò)模型中CNN 部分的參數(shù)及值如表2所示，Bi-LSTM部分的參數(shù)及值如表3所示。

表2 CNN部分的參數(shù)Tab.2 Parameters of CNN part

表3 Bi-LSTM部分的參數(shù)Tab.3 Parameters of Bi-LSTM part

針對(duì)不同數(shù)據(jù)集所需的情感詞典不同，根據(jù)上文的規(guī)則設(shè)定，由本文實(shí)驗(yàn)所用的電商評(píng)論數(shù)據(jù)集得到的三類(lèi)情感詞典的部分關(guān)鍵詞如下：

正面情感傾向詞：推薦、值得、值、物超所值、強(qiáng)烈推薦、性?xún)r(jià)比高、質(zhì)量不錯(cuò)、五星、好評(píng)、給力、滿(mǎn)意等。

負(fù)面情感傾向詞：不推薦、不值得、質(zhì)量不行、性?xún)r(jià)比低、差評(píng)、不滿(mǎn)意、失望、別買(mǎi)、一星、不值等。

總結(jié)詞：總的來(lái)說(shuō)、總之、總的感覺(jué)、總體、在我看來(lái)、綜上所述、個(gè)人認(rèn)為、反正、個(gè)人建議、整體等。

甲類(lèi)轉(zhuǎn)折詞：但是、但、可是、卻、不過(guò)、然而、所以、因此等。

乙類(lèi)轉(zhuǎn)折詞：只是、只不過(guò)、但就是、而且、就是、雖然、如果等。

由電商評(píng)論數(shù)據(jù)集提取出的種子主題詞有產(chǎn)品、快遞、價(jià)格、質(zhì)量、性能、包裝、客服、外形等，種子主題詞與待定主題之間相似度閾值范圍設(shè)為0.8。

4.3 評(píng)價(jià)指標(biāo)

本文將采用準(zhǔn)確率Acc（Accuracy）、召回率Re（Recall）以及F1（F1值）作為實(shí)驗(yàn)評(píng)價(jià)指標(biāo)，其他符號(hào)表示如表4所示。

準(zhǔn)確率Acc表示測(cè)試集所有樣本都正確分類(lèi)的概率，計(jì)算公式如式（14）：

召回率Re表示測(cè)試集分類(lèi)結(jié)果中某情感標(biāo)簽中的真實(shí)類(lèi)別占所有真實(shí)類(lèi)別的比例，計(jì)算公式如式（15）所示。

F1 值是表示準(zhǔn)確率Acc與召回率Re綜合性能的指標(biāo)，對(duì)兩者加權(quán)調(diào)和計(jì)算得到最終分類(lèi)效果，即

表4 分類(lèi)類(lèi)別混淆矩陣Tab.4 Confusion matrix of classification category

4.4 實(shí)驗(yàn)結(jié)果分析

4.4.1 語(yǔ)法規(guī)則可行性分析

隨機(jī)選取電商評(píng)論中的10 000條數(shù)據(jù)來(lái)驗(yàn)證本文提出的語(yǔ)法規(guī)則對(duì)CNN 分類(lèi)結(jié)果的影響，其中，r1、r2、r3為文中第一章提出的前三個(gè)規(guī)則，CNN 參數(shù)設(shè)置見(jiàn)表2，實(shí)驗(yàn)結(jié)果如表5所示。由表5 可以看出，本文根據(jù)情感傾向詞、總結(jié)詞、轉(zhuǎn)折詞設(shè)定的語(yǔ)法規(guī)則能夠有效提升CNN 模型的分類(lèi)精度，其中規(guī)則1 對(duì)模型的分類(lèi)結(jié)果影響最大，F(xiàn)1值較CNN 模型提升了3.2 個(gè)百分點(diǎn)，表明情感傾向詞對(duì)分類(lèi)結(jié)果的影響比重高于總結(jié)詞與轉(zhuǎn)折詞，通過(guò)提取有效情感傾向詞更能夠促進(jìn)文本情感分類(lèi)效果。雖然使用規(guī)則2 與規(guī)則3 的提升效果沒(méi)有規(guī)則1 明顯，但總體上都提升了CNN 模型的最終分類(lèi)精度。這說(shuō)明通過(guò)語(yǔ)法規(guī)則處理能夠得到更加明確的情感傾向信息，進(jìn)而幫助CNN提取到語(yǔ)義特征，提高分類(lèi)精度。

表5 語(yǔ)法規(guī)則對(duì)CNN分類(lèi)結(jié)果的影響Tab.5 Influence of grammar rules on CNN classification results

同時(shí)，本文還將語(yǔ)法規(guī)則應(yīng)用到了機(jī)器學(xué)習(xí)算法SVM上，并與CNN 模型進(jìn)行對(duì)比實(shí)驗(yàn)，同樣隨機(jī)選取10 000 條數(shù)據(jù)，設(shè)定批大小batch 為64，迭代次數(shù)iteration 為157，數(shù)據(jù)集訓(xùn)練輪數(shù)epoch 為15，結(jié)果見(jiàn)圖6?？梢钥闯觯Z(yǔ)法規(guī)則應(yīng)用到機(jī)器學(xué)習(xí)算法SVM 與傳統(tǒng)CNN 模型上，分類(lèi)準(zhǔn)確率都得到了顯著的提升，且準(zhǔn)確率都隨著epoch 的增加而增加，CNN、CNN_Rule、SVM、SVM_Rule 最終的準(zhǔn)確率穩(wěn)定在89%、93%、80%、86%左右，進(jìn)一步有效驗(yàn)證了該語(yǔ)法規(guī)則的可行性。

圖6 應(yīng)用語(yǔ)法規(guī)則效果Fig.6 Effect of applying grammar rules

4.4.2 融合語(yǔ)法規(guī)則的雙通道模型分類(lèi)精度

為解決雙通道模型特征融合時(shí)出現(xiàn)的過(guò)擬合現(xiàn)象，使用10 000 條電商評(píng)論文本作為實(shí)驗(yàn)數(shù)據(jù)，在模型全連接層加入Dropout，并通過(guò)實(shí)驗(yàn)對(duì)比了Dropout 值在0.1～1 的準(zhǔn)確率變化，最終選擇0.5 作為Dropout 的最適值，實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 Dropout參數(shù)對(duì)模型性能的影響Fig.7 Influence of Dropout parameter on model performance

為驗(yàn)證本文CB_Rule 模型的性能，在相同實(shí)驗(yàn)環(huán)境下使用表1 數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，并根據(jù)圖7 的實(shí)驗(yàn)結(jié)果選取Dropout 為0.5。首先分別利用Word2Vec 和Glove 向量化工具將評(píng)論文本轉(zhuǎn)換成矩陣向量，再構(gòu)造單一的CNN、Bi-LSTM 模型以及雙通道模型CNN_BLstm 模型與CB_Rule 進(jìn)行對(duì)比實(shí)驗(yàn)，使用接受者操作特征曲線（Rceiver Operating Characteristic curve，ROC 曲線）下面積（Area Under Curve，AUC）值作為情感分類(lèi)效果的評(píng)價(jià)指標(biāo)，ROC 曲線如圖8 所示。由圖8 可知，Bi_LSTM 的AUC 值比CNN 模型高出0.9%，說(shuō)明在中文情感分類(lèi)任務(wù)中，上下文信息影響著分類(lèi)結(jié)果，所以?xún)H使用融合規(guī)則的CNN 模型進(jìn)行情感分類(lèi)時(shí)，就容易忽略上下文信息，造成模型分類(lèi)性能下降。雙通道CNN_BLstm 模型的AUC 值較傳統(tǒng)的單Bi-LSTM、單CNN 模型分別高出2.8%、3.7%，究其原因，CNN 模型具有的局部感知與參數(shù)共享使其關(guān)注的是局部語(yǔ)義特征的提取，而較少考慮到上下文信息；反之，Bi-LSTM 由于其對(duì)時(shí)間序列的超強(qiáng)記憶功能，通過(guò)正反向LSTM傳播得到了上下文信息，但也忽略了局部語(yǔ)義特征在中文情感分析中的重要性。這再次說(shuō)明了將CNN 提取出的局部特征與Bi-LSTM 提取的全局特征融合起來(lái)對(duì)情感分類(lèi)效果有著顯著的影響。同時(shí)，將語(yǔ)法規(guī)則融入雙通道模型中時(shí)，CB_Rule 模型的AUC 值又比雙通道CNN_BLstm 模型提高了1.2%，驗(yàn)證了將語(yǔ)法規(guī)則融入其中更有助于情感特征的獲取，提升神經(jīng)網(wǎng)絡(luò)分類(lèi)效果。

圖8 CB_Rule模型與其他分類(lèi)模型的ROC曲線Fig.8 ROC curves of CB_Rule model and other classification models

4.4.3 CB_Rule模型與其他模型的性能對(duì)比

為了驗(yàn)證本文提出的規(guī)則融合模型的情感分類(lèi)性能，將本文提出的CB_Rule模型與文獻(xiàn)［12-16］提出的模型在表1數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，其中各個(gè)模型的CNN 與Bi-LSTM 皆按照表2、3 進(jìn)行參數(shù)設(shè)置，實(shí)驗(yàn)結(jié)果如表6 所示。其中：文獻(xiàn)［12］提出的L-BiLSTM_CNN 模型將CNN 提取的局部特征與Bi-LSTM 提取的全局特征融合后使用分類(lèi)器進(jìn)行情感分類(lèi)；Z-BiLSTM_CNN 為文獻(xiàn)［13］構(gòu)建的Bi-LSTM 和CNN 的串行混合模型，首先利用Bi-LSTM 提取上下文特征，再對(duì)上下文特征進(jìn)行局部特征提取，最后使用分類(lèi)器進(jìn)行分類(lèi)；R-Bi-LSTM 為文獻(xiàn)［15］提出的融合語(yǔ)法規(guī)則的Bi-LSTM 模型，并采用Glove工具進(jìn)行詞向量訓(xùn)練；SCNN（Syntactic rules for Convolutional Neural Network）為文獻(xiàn)［16］提出的融合句法規(guī)則和CNN 的旅游評(píng)論情感分析模型，但詞向量訓(xùn)練采用Word2Vec模型。

表6 CB_Rule模型與其他模型的分類(lèi)結(jié)果對(duì)比Tab.6 Comparison of classification results of CB_Rule model and other models

由表6 可知，本文所提出的CB_Rule 模型的準(zhǔn)確率優(yōu)于對(duì)比模型。將CNN提取出的局部特征和Bi-LSTM提取的全局特征進(jìn)行融合時(shí)，L-BiLSTM_CNN 模型的準(zhǔn)確率明顯高于Z-BiLSTM_CNN 模型，說(shuō)明直接并行提取出特征進(jìn)行融合的效果優(yōu)于串行提取出后再進(jìn)行特征融合，故而本文采用了不同的詞向量處理工具對(duì)文本數(shù)據(jù)并行處理。同時(shí)，本文提出的將語(yǔ)法規(guī)則融入雙通道模型在準(zhǔn)確率上較R-Bi-LSTM、SCNN 模型分別高出3.7 個(gè)百分點(diǎn)和0.6 個(gè)百分點(diǎn)，進(jìn)一步驗(yàn)證了CB_Rule模型在情感分類(lèi)上的有效性。

5 結(jié)語(yǔ)

進(jìn)行情感研究對(duì)當(dāng)今社會(huì)意義重大，本文針對(duì)傳統(tǒng)的CNN 與Bi-LSTM 這類(lèi)情感分類(lèi)模型所存在的問(wèn)題，提出了融合語(yǔ)法規(guī)則的雙通道中文情感分析模型，將語(yǔ)法規(guī)則融入CNN中，訓(xùn)練得到更具有情感傾向的局部特征，同時(shí)為了解決語(yǔ)法規(guī)則處理后出現(xiàn)的忽略上下文信息問(wèn)題，利用Bi-LSTM對(duì)之進(jìn)行補(bǔ)充改進(jìn)，最后將提取出的特征進(jìn)行融合，將其輸入到分類(lèi)器中提高情感分類(lèi)精度。在電商評(píng)論文本數(shù)據(jù)集上設(shè)計(jì)了語(yǔ)法規(guī)則的可行性分析、融合語(yǔ)法規(guī)則的雙通道模型的分類(lèi)精度以及CB_Rule 模型性能對(duì)比等實(shí)驗(yàn)，驗(yàn)證了本文提出的CB_Rule模型具有良好的情感分類(lèi)效果。