楊 青，朱 麗，張亞文，吳 濤

（1.華中師范大學(xué)計(jì)算機(jī)學(xué)院；2.國(guó)家語(yǔ)言資源監(jiān)測(cè)與研究網(wǎng)絡(luò)媒體中心，湖北武漢 430079）

0 引言

網(wǎng)絡(luò)的快速發(fā)展推動(dòng)大數(shù)據(jù)時(shí)代的到來(lái)，人們表達(dá)情緒的方式逐漸多樣化，其中社交網(wǎng)絡(luò)平臺(tái)成為最重要的途徑。帶有情感傾向的文本信息暴增，有效挖掘海量文本的情感信息，并將其應(yīng)用于實(shí)際生活中，是極其重要的研究方向，文本情感識(shí)別也成為自然語(yǔ)言處理領(lǐng)域的一個(gè)研究熱點(diǎn)。

近年來(lái)，關(guān)于情感分析的研究工作得到許多關(guān)注，相關(guān)研究人員在文本情感分析方面不懈努力，取得了較大進(jìn)步。文本情感分析也稱為意見挖掘，是對(duì)帶有情感傾向性的文本進(jìn)行分析處理的過程。目前，大部分情感分析工作的研究目標(biāo)是簡(jiǎn)單的文本，處理這些文本時(shí)沒有考慮到用戶信息，主要的情感分析方法有兩種，即基于語(yǔ)義的情感詞典方法和基于機(jī)器學(xué)習(xí)的情感分類方法。文獻(xiàn)［1］基于大量微博評(píng)論文本構(gòu)造大規(guī)模情感詞典，用于提高情感分類效率，但分類效果極其依賴情感詞典的規(guī)模和質(zhì)量；文獻(xiàn)［2］采用支持向量機(jī)（SVM）和樸素貝葉斯方法（Na?ve Bayesian）在微博評(píng)論數(shù)據(jù)集上進(jìn)行情感分析，指出基于機(jī)器學(xué)習(xí)的分類方法性能比基于語(yǔ)義的情感詞典方法表現(xiàn)更好。

隨著長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM、卷積神經(jīng)網(wǎng)絡(luò)CNN 以及注意力機(jī)制等模型在自然語(yǔ)言領(lǐng)域，特別是在文本情感分析中的廣泛應(yīng)用，注意力機(jī)制和神經(jīng)網(wǎng)絡(luò)模型的結(jié)合使用成為近年來(lái)的研究熱點(diǎn)。Bengio 等［3］提出將神經(jīng)網(wǎng)絡(luò)應(yīng)用于構(gòu)造語(yǔ)言模型；Quoc 等［4］在word2vec［5］的基礎(chǔ)上提出doc2vec，用于獲取句子的特征向量表示；文獻(xiàn)［6］對(duì)比word2vec 和doc2vec 兩種技術(shù)在情感分析句子表征中的表現(xiàn)，通過實(shí)驗(yàn)證明了doc2vec 技術(shù)在句子語(yǔ)序語(yǔ)義表達(dá)上的優(yōu)勢(shì)；Kim［7］使用卷積神經(jīng)網(wǎng)絡(luò)CNN 模型進(jìn)行文本情感分類；文獻(xiàn)［8］提出基于卷積神經(jīng)網(wǎng)絡(luò)CNN 結(jié)合注意力機(jī)制的模型進(jìn)行文本情感分析；文獻(xiàn)［9］使用LSTM 模型提取文本特征，結(jié)合情感極性轉(zhuǎn)移模型，并將該模型用于中文文本情感分類；文獻(xiàn)［10］使用基于注意力機(jī)制和BiLSTM的神經(jīng)網(wǎng)絡(luò)模型對(duì)中文評(píng)論進(jìn)行情感分析，BiLSTM 提取文本特征，Attention 層用于突出文本分類中的重點(diǎn)信息；文獻(xiàn)［11］提出使用雙向長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)模型BiLSTM，并基于詞向量對(duì)中文文本進(jìn)行情感分析；文獻(xiàn)［12］使用雙向門控循環(huán)單元BiGRU 進(jìn)行中文文本情感分析，一定程度上提升了分類效果；文獻(xiàn)［13］將BiGRU 模型和注意力機(jī)制相結(jié)合，對(duì)文本情感進(jìn)行極性分類，驗(yàn)證了BiGRU-Attention模型的有效性；文獻(xiàn)［14］使用BiGRU 神經(jīng)網(wǎng)絡(luò)和卷積最大池化的混合模型提取文本特征信息，從而進(jìn)行文本情感分類，取得了較好效果；文獻(xiàn)［15］使用BiGRU 提取對(duì)話句子表征，指出對(duì)話中的信息主要依賴于話語(yǔ)中的序列上下文信息；文獻(xiàn)［16］構(gòu)建CNN 和BiGRU 混合模型用于提取文本局部特征，從而對(duì)中文文本進(jìn)行情感分類。

然而，目前大多數(shù)用于文本情感分析的模型存在同樣問題，大部分模型忽略了對(duì)話中的意圖建模，以及話題及說(shuō)話人個(gè)性等因素在對(duì)話情感中發(fā)揮的作用。從理論上分析，RNNs、LSTM、GRU 等網(wǎng)絡(luò)模型，可以傳播長(zhǎng)期的上下文信息，然而在實(shí)際應(yīng)用中，這些網(wǎng)絡(luò)模型可能并非總是這樣，從而影響到RNN 模型在其它相關(guān)任務(wù)中的有效性。

不同于傳統(tǒng)的網(wǎng)絡(luò)模型LSTM 和CNN，圖卷積神經(jīng)網(wǎng)絡(luò)在處理廣義拓?fù)鋱D結(jié)構(gòu)上發(fā)揮著重要作用，能夠深入挖掘不規(guī)則數(shù)據(jù)的特征和規(guī)律。圖卷積神經(jīng)網(wǎng)絡(luò)作為一種新興的網(wǎng)絡(luò)模型，在許多領(lǐng)域都有所應(yīng)用，文獻(xiàn)［17］提出將圖卷積神經(jīng)網(wǎng)絡(luò)GCN 應(yīng)用于長(zhǎng)文本分類問題；文獻(xiàn)［18］將關(guān)系圖卷積神經(jīng)網(wǎng)絡(luò)RGCN 用于實(shí)體分類；文獻(xiàn)［19］在英文對(duì)話數(shù)據(jù)集上將GCN 用于情感識(shí)別。社交網(wǎng)絡(luò)中人際關(guān)系的不規(guī)則性充分反映出圖結(jié)構(gòu)應(yīng)用的重要性和多樣性，而圖卷積神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用則體現(xiàn)該模型在不同類型領(lǐng)域中的可利用性。

在對(duì)話情感分析中，如果充分考慮說(shuō)話者之間的情緒影響，對(duì)話文本情感分析的準(zhǔn)確率會(huì)有所提升，而采用圖結(jié)構(gòu)的形式刻畫說(shuō)話者對(duì)應(yīng)話語(yǔ)之間的關(guān)系是一種十分方便且直觀的方式。圖卷積操作可以通過聚合每個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)特征而獲得該節(jié)點(diǎn)的聚合特征表示，進(jìn)而用于分析說(shuō)話者的情感在對(duì)話文本情感分析中產(chǎn)生的影響。

在實(shí)際生活中，用戶之間的情感交互可能對(duì)文本的情感類別產(chǎn)生一定影響，對(duì)話文本的情感識(shí)別依賴于用戶之間的情感狀態(tài)，即參與對(duì)話人員相互間的交流會(huì)影響到對(duì)方的情緒和狀態(tài)。對(duì)話情感識(shí)別是識(shí)別對(duì)話中說(shuō)話人所說(shuō)語(yǔ)句的情緒，本質(zhì)上也可以歸納為文本分類問題，在預(yù)先定義好的情緒類型中，為對(duì)話中的每一句話確定其情感類別。

本文使用BiGRU 提取文本特征向量，提出將圖卷積神經(jīng)網(wǎng)絡(luò)GCN 用于對(duì)話文本情感識(shí)別中，充分考慮參與對(duì)話人之間的情感交互，結(jié)合兩種上下文信息獲取更好的文本表征，最后用于文本情感分類。得到的實(shí)驗(yàn)結(jié)果證明，相較于目前分類方法，BiGRU 結(jié)合GCN 模型的方法具有更好的情感分類性能。

1 對(duì)話中的圖卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

本文思想是：首先，BiGRU 用于提取對(duì)話文本的序列上下文特征；然后，將對(duì)話語(yǔ)句按順序構(gòu)造一個(gè)有向圖，GCN 通過聚合局部鄰居節(jié)點(diǎn)信息，提取說(shuō)話者級(jí)別上下文編碼特征；最后，結(jié)合兩個(gè)不同的特征向量，對(duì)對(duì)話文本進(jìn)行情感分類。

建立說(shuō)話人之間依賴關(guān)系模型的關(guān)鍵是說(shuō)話人的信息，這使得模型能夠理解說(shuō)話人如何影響其他說(shuō)話人的情緒狀態(tài)。此外，說(shuō)話人內(nèi)部或自我依賴有助于理解個(gè)體說(shuō)話人的情感慣性，由于這種慣性，說(shuō)話人會(huì)抵抗外部因素對(duì)自身情感產(chǎn)生的影響。并且，目標(biāo)話語(yǔ)和上下文話語(yǔ)的相對(duì)位置決定了以前說(shuō)過的話如何影響未來(lái)話語(yǔ)。

本文中對(duì)話情感識(shí)別方法的框架大體上劃分為3 部分，如圖1 所示，分別是：①序列上下文編碼器，其作用是提取對(duì)話文本的序列上下文信息；②說(shuō)話人級(jí)別上下文編碼器，用于提取對(duì)話中與說(shuō)話者有關(guān)的上下文特征；③情感分類器，通過結(jié)合兩種上下文特征表示，采用基于相似度的注意力機(jī)制獲取最終的語(yǔ)句特征表示，輸入全連接層進(jìn)行情感分類。

對(duì)話情感識(shí)別的上下文信息主要有兩種，即序列上下文和說(shuō)話人級(jí)別上下文。在對(duì)話過程中，情緒學(xué)研究表明，造成情緒波動(dòng)的因素主要是相互依賴性和自我依賴性，其中相互依賴性指說(shuō)話人之間產(chǎn)生的情感波動(dòng)影響，說(shuō)話者在對(duì)話過程中存在感知并吸收對(duì)方情緒的傾向，參與對(duì)話人的情緒會(huì)相互影響；而自我依賴性則指說(shuō)話者在對(duì)話中自身情緒對(duì)自己的情感影響，這是一種情感惰性，會(huì)導(dǎo)致說(shuō)話者保持一種情緒?？偠灾?，這兩種依賴性相互作用、相互干擾，共同影響參與對(duì)話人的情緒狀態(tài)。因此，結(jié)合兩種不同但相關(guān)的上下文信息，可以獲取更好的文本上下文表示，從而提高對(duì)話情感識(shí)別效率。

Fig.1 Model of dialogue emotional analysis network圖1 對(duì)話情感分析網(wǎng)絡(luò)模型

2 對(duì)話文本情感分析網(wǎng)絡(luò)模型

假設(shè)構(gòu)造一段對(duì)話，統(tǒng)計(jì)參與對(duì)話的人數(shù)為X，表示為e1，e2，…，eX，這X個(gè)人在對(duì)話中總共說(shuō)了Y句話，表示為u1，u2，…，uY，ut∈RDY是每段語(yǔ)句的初始特征向量表示，ut對(duì)應(yīng)的說(shuō)話人是es（ut），s是話語(yǔ)與其對(duì)應(yīng)的說(shuō)話人索引之間的一個(gè)映射。對(duì)話文本情感分析的最終目的是預(yù)測(cè)對(duì)話中每個(gè)話語(yǔ)對(duì)應(yīng)的情感類別。

2.1 序列上下文編碼器

由于對(duì)話本質(zhì)上是連續(xù)的，故對(duì)話中話語(yǔ)的上下文信息對(duì)于話語(yǔ)的情感分析具備一定的參考價(jià)值。GRU 模型［20］是LSTM 模型的一個(gè)經(jīng)典變體，在效果一樣的條件下GRU 模型比標(biāo)準(zhǔn)的LSTM 模型更簡(jiǎn)單。BiGRU 的基本思想則是利用兩個(gè)GRU 分別處理正向和反向序列，通過將輸出連接到同一個(gè)輸出層，以記憶序列上文信息和下文信息，充分提取文本的所有信息。總之，BiGRU 不僅可以記憶上下文信息，而且結(jié)構(gòu)相對(duì)簡(jiǎn)單。因此，本文使用BiG?RU 提取對(duì)話文本信息特征，以獲取對(duì)話句子的序列上下文表征，過程如式（1）—式（3）所示。

其中，ut是與上下文無(wú)關(guān)的初始話語(yǔ)表示，和分別是正向GRU 和負(fù)向GRU 的輸出，gt是包含序列上下文信息的話語(yǔ)表示。

兩個(gè)單向且方向相反的GRU 構(gòu)成BiGRU 網(wǎng)絡(luò)模型，輸出由兩個(gè)不同GRU 的狀態(tài)共同決定。BiGRU 的具體結(jié)構(gòu)如圖2 所示。

Fig.2 Sequential context encoder圖2 序列上下文編碼器

2.2 說(shuō)話人級(jí)別上下文編碼器

為了有效獲取對(duì)話序列語(yǔ)句中的說(shuō)話人級(jí)別上下文信息，本文構(gòu)造一個(gè)有向圖刻畫對(duì)話者之間的情感交互關(guān)系，并利用基于空間域的圖卷積神經(jīng)網(wǎng)絡(luò)模型得到包含說(shuō)話人級(jí)別上下文信息的文本表征，說(shuō)話人級(jí)別上下文編碼器具體結(jié)構(gòu)如圖3 所示。

Fig.3 Speaker level context encoder圖3 說(shuō)話人級(jí)別上下文編碼器

有向圖：構(gòu)造一個(gè)有向圖G=｛V，E，R，W｝用于表示對(duì)話，V 表示節(jié)點(diǎn)集合，E 表示邊集合，每一個(gè)話語(yǔ)表示為一個(gè)節(jié)點(diǎn)vt∈V，t=1，2，…，Y，初始化特征向量表示記為gt；節(jié)點(diǎn)vt和節(jié)點(diǎn)vs之間的邊記作rts∈E，r∈R 表示邊的關(guān)系類型，邊的關(guān)系類型取決于說(shuō)話人類別和話語(yǔ)時(shí)間順序兩個(gè)方面，即vt和vs分別對(duì)應(yīng)的說(shuō)話人es（vt）和es（vs），還有節(jié)點(diǎn)語(yǔ)句vt和vs的先后順序。

示例1 假設(shè)一段對(duì)話僅包含兩個(gè)說(shuō)話人e1和e2，且總共有5 句話v1、v2、v3、v4、v5，則整個(gè)對(duì)話構(gòu)造出的有向圖如圖4 所示，且所有關(guān)系類型如表1 所示。

邊權(quán)重wts∈［0，1］且wts∈W，t，s=1，2，…，Y，使用基于文本相似性的注意力模型設(shè)置邊的權(quán)重，即對(duì)于每一個(gè)節(jié)點(diǎn)，輸入邊的權(quán)重全部加起來(lái)為1，考慮到每個(gè)節(jié)點(diǎn)語(yǔ)句之前的m句話vt-1，vt-2，…，vt-m和之后的n句話vt+1，vt+2，…，vt+n，節(jié)點(diǎn)vt和節(jié)點(diǎn)vs之間邊的權(quán)重具體計(jì)算如式（4）所示。

Fig.4 Constructed directed graph for example 1圖4 示例1 構(gòu)造的有向圖

式（4）中，softmax 函數(shù)確保了節(jié)點(diǎn)vt與節(jié)點(diǎn)vt-m，…，vt，…，vt+n之間輸入邊的總權(quán)重之和為1。

Table 1 Relation types of sample graphs表1 示例圖的全部關(guān)系類型

圖卷積神經(jīng)網(wǎng)絡(luò)模型GCN 通過聚合每個(gè)節(jié)點(diǎn)的局部鄰居節(jié)點(diǎn)特征信息，使用兩步圖卷積操作將與說(shuō)話人無(wú)關(guān)的節(jié)點(diǎn)特征向量gt轉(zhuǎn)換為與說(shuō)話人信息有關(guān)的新的特征向量表示ht，計(jì)算方法如式（5）和式（6）所示。

其中，σ是一個(gè)激活函數(shù)，可以設(shè)置為ReLU 函數(shù)，為變換參數(shù)，wts、wtt∈W，表示關(guān)系r∈R中節(jié)點(diǎn)vt的鄰接指數(shù)。式（5）、式（6）有效地聚合圖中各語(yǔ)句節(jié)點(diǎn)的局部鄰域說(shuō)話人信息，并且自連接的邊也確保了自相關(guān)特征轉(zhuǎn)換。

2.3 情感分類器

情感分類器結(jié)構(gòu)如圖5 所示，先將包含序列上下文信息的特征向量gt和與說(shuō)話人信息相關(guān)的特征向量ht連接起來(lái)，再通過基于相似度的注意力機(jī)制獲取新的對(duì)話文本特征表示，最后使用全連接層對(duì)話語(yǔ)進(jìn)行情感分類，得到文本對(duì)應(yīng)的情感類別標(biāo)簽xt。

如式（7）所示，將兩種上下文特征向量表示gt和ht連接起來(lái)。如式（8）、式（9）所示，將連接的文本向量表示采用基于相似度的注意力機(jī)制轉(zhuǎn)換為最終對(duì)話文本特征表示。

最后，如式（10）、式（11）所示，將新的語(yǔ)句特征表示輸入到全連接層，softmax 層對(duì)文本語(yǔ)句的情感進(jìn)行多分類，根據(jù)式（12），得到最大概率的情感標(biāo)簽xt。

Fig.5 Emotion classifier圖5 情感分類器

3 實(shí)驗(yàn)

本文算法實(shí)驗(yàn)環(huán)境是基于Windows 10 操作系統(tǒng)，硬件為英特爾i5 6200U CPU，采用深度學(xué)習(xí)框架PyTorch，版本號(hào)為1.0，在Python 3 運(yùn)算環(huán)境下進(jìn)行算法實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文實(shí)驗(yàn)選取的實(shí)驗(yàn)數(shù)據(jù)集是一個(gè)通過爬取大量學(xué)習(xí)網(wǎng)站的對(duì)話練習(xí)內(nèi)容而收集到的英文語(yǔ)料庫(kù)dailydialog（http：//yanran.li/dailydialog），原始數(shù)據(jù)包含大約11 318 個(gè)對(duì)話，選取其中部分語(yǔ)料集翻譯為中文，用于中文對(duì)話情感分析研究，節(jié)選的中文語(yǔ)料庫(kù)包含大約600 個(gè)對(duì)話，對(duì)話平均有10 輪，語(yǔ)句規(guī)模大約為6 000 句，語(yǔ)句標(biāo)注的情感類別有7 種，分別是中立、憤怒、厭惡、恐懼、幸福、悲傷及驚喜。

本文選取的dailydialog 語(yǔ)料庫(kù)主要由日常聊天場(chǎng)景中兩個(gè)人的多輪對(duì)話構(gòu)成，其中日常對(duì)話涉及生活中的多個(gè)主題，話題比較豐富，這些對(duì)話語(yǔ)句包含極其豐富的情感信息，且基本符合人類的對(duì)話方式，適合用于對(duì)話文本情感分析研究，dailydialog 語(yǔ)料庫(kù)具體示例如圖6 所示。

Fig.6 Examples of dailydialog dataset圖6 dailydialog 數(shù)據(jù)集示例

3.2 數(shù)據(jù)預(yù)處理

對(duì)文本數(shù)據(jù)進(jìn)行預(yù)處理，一般而言，符號(hào)對(duì)算法沒有很大意義，為了減少噪聲干擾，首先使用正則表達(dá)式過濾掉文本中的無(wú)用標(biāo)點(diǎn)符號(hào)，然后采用Python 中的結(jié)巴分詞庫(kù)對(duì)實(shí)驗(yàn)數(shù)據(jù)集中文文本進(jìn)行分詞處理，最后基于預(yù)訓(xùn)練的詞向量，使用Doc2vec 工具［21］將文本向量化，獲取文本語(yǔ)句的特征向量表示，得到的輸入句子向量將用于本文模型訓(xùn)練。

3.3 句子向量維度選擇

為了更好地進(jìn)行算法實(shí)驗(yàn)，本文對(duì)輸入樣本的長(zhǎng)度進(jìn)行分析，假設(shè)選取數(shù)據(jù)集樣本長(zhǎng)度的最大值為maxL，那么當(dāng)樣本長(zhǎng)度小于maxL時(shí)，樣本需進(jìn)行填充零向量操作，使樣本長(zhǎng)度達(dá)到最大值，而當(dāng)樣本長(zhǎng)度大于maxL時(shí)，則需舍棄樣本多余部分，截?cái)噙^長(zhǎng)的樣本。

樣本長(zhǎng)度最大值maxL的選取關(guān)系到實(shí)驗(yàn)結(jié)果的好壞。當(dāng)maxL設(shè)置較大時(shí)，樣本數(shù)據(jù)零向量填充過多，而maxL設(shè)置較小時(shí)，樣本數(shù)據(jù)舍棄的信息過多，因此，maxL大小的設(shè)置可能對(duì)模型性能產(chǎn)生一定影響。本文通過設(shè)置不同的maxL，觀察對(duì)比maxL的大小對(duì)模型性能造成的影響，F(xiàn)1 值隨樣本長(zhǎng)度變化情況如圖7 所示，且實(shí)驗(yàn)結(jié)果差異如表2 所示。

Fig.7 Effect of maxL on F1圖7 maxL 值大小對(duì)F1 值的影響

觀察圖7 和表2，可以發(fā)現(xiàn)當(dāng)maxL設(shè)置小于100 時(shí)，F(xiàn)1 值相對(duì)較低，這是由于樣本數(shù)據(jù)舍棄的信息過多，當(dāng)maxL取100 時(shí)，F(xiàn)1 值達(dá)到最高點(diǎn)，為79.54%，當(dāng)maxL大于100 時(shí)，F(xiàn)1 值均有所降低，模型性能下降，且F1 值在maxL為175 時(shí)取得最低值，只有63.66%，因?yàn)閙axL設(shè)置過大時(shí)，樣本數(shù)據(jù)填充的零向量過多，對(duì)數(shù)據(jù)特征造成干擾。

Table 2 Experimental results of different maxL表2 樣本長(zhǎng)度對(duì)實(shí)驗(yàn)結(jié)果的影響

因此，本文模型選取maxL的值為100 最為合適。

3.4 模型訓(xùn)練

本文實(shí)驗(yàn)使用L2 正則化度量訓(xùn)練過程中的損失，并采用基于隨機(jī)梯度下降的Adam 優(yōu)化器［22］對(duì)模型進(jìn)行優(yōu)化。為避免網(wǎng)絡(luò)模型訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象，采用Dropout 策略，將丟棄率的大小設(shè)置為0.5，并結(jié)合10 折交叉驗(yàn)證進(jìn)行實(shí)驗(yàn)。

3.5 實(shí)驗(yàn)結(jié)果與分析

在構(gòu)造上下文語(yǔ)句的有向圖時(shí)，語(yǔ)句節(jié)點(diǎn)與其之前和之后的若干個(gè)語(yǔ)句節(jié)點(diǎn)之間存在構(gòu)造的邊關(guān)系，本文實(shí)驗(yàn)通過改變上下文窗口的大小，發(fā)現(xiàn)在dailydialog 數(shù)據(jù)集上，F(xiàn)1 值的大小隨著上下文窗口的大小而變化，如圖8 所示，窗口設(shè)置小于2 時(shí)，模型性能表現(xiàn)較差，當(dāng)窗口設(shè)置值大于2 時(shí)，性能表現(xiàn)穩(wěn)步上升，出于對(duì)實(shí)驗(yàn)數(shù)據(jù)集中對(duì)話輪數(shù)以及計(jì)算上的考慮，本文實(shí)驗(yàn)設(shè)置窗口大小為5 即可。

Fig.8 Effect of different window sizes on F1圖8 窗口大小對(duì)F1 的影響

本文將BiGRU+GCN 與CNN、BiLSTM、BiGRU 等模型進(jìn)行對(duì)比分析，在dailydialog 中文語(yǔ)料庫(kù)上的情感分析實(shí)驗(yàn)結(jié)果如表3 所示。

Table 3 Experimental results of different models表3 不同模型的實(shí)驗(yàn)結(jié)果

觀察各模型實(shí)驗(yàn)結(jié)果，可以看出在dailydialog 數(shù)據(jù)集上，與BiLSTM 模型相比F1 值提高了15.69%，與BiGRU模型相比F1 值提高了14.87%。相比于CNN、BiLSTM 等模型，BiGRU 結(jié)合GCN 的混合模型在對(duì)話文本情感識(shí)別方面的準(zhǔn)確率明顯有所提高，且F1 值高達(dá)70.61%，整體分類效果表現(xiàn)更佳。

根據(jù)表3 可知，與其它模型相比，BiGRU+GCN 模型不僅可以提取文本序列上下文特征，還能夠充分考慮文本對(duì)應(yīng)說(shuō)話人的情感信息交互，獲取更好的對(duì)話文本情感特征，從而在分類效果上表現(xiàn)更佳。在沒有上下文語(yǔ)境的情況下，比如“是的”“好的”等一些簡(jiǎn)短語(yǔ)句的情感類別被認(rèn)為是中性詞，但在實(shí)際語(yǔ)境中其情感類別可能不是中性的，而BiGRU+GCN 模型可以避免這種錯(cuò)誤分類情況，提高對(duì)話文本情感分類準(zhǔn)確率。

4 結(jié)語(yǔ)

本文充分考慮說(shuō)話人之間的情感交互，利用圖卷積神經(jīng)網(wǎng)絡(luò)GCN 提取與說(shuō)話者相關(guān)的文本特征，再結(jié)合BiG?RU 模型提取文本序列特征，將兩者連接起來(lái)，以提高對(duì)話語(yǔ)句情感分析中的上下文理解能力，有效識(shí)別對(duì)話文本中的情感類別。實(shí)驗(yàn)結(jié)果證明了該模型的有效性，與其它方法相比，該模型在對(duì)話情感分析中表現(xiàn)出良好的分類效果。本文將圖卷積神經(jīng)網(wǎng)絡(luò)用于對(duì)話文本情感分類，因此只關(guān)注實(shí)驗(yàn)數(shù)據(jù)集中的文本信息，多模態(tài)情感識(shí)別則有待進(jìn)一步研究。