范濤，吳鵬，王昊，凌晨

（1.南京大學(xué)信息管理學(xué)院，南京 210023；2.南京理工大學(xué)經(jīng)濟管理學(xué)院，南京 210094）

1 引言

輿論是網(wǎng)絡(luò)輿情的空間載體，網(wǎng)民情感是輿論的觀點和態(tài)度的一種體現(xiàn)[1]。在網(wǎng)絡(luò)輿情事件中，網(wǎng)民情感對網(wǎng)絡(luò)輿情事件的發(fā)展和演化有著極大的影響。例如，在新冠肺炎（COVⅠD-19）疫情中，對“武漢醫(yī)生被訓(xùn)誡談話”“武漢紅十字會物資分發(fā)”等事件被徹查的背后，除了客觀因素外，網(wǎng)民的負(fù)面輿論和由此折射出來的負(fù)面情感對事件的發(fā)展都有著推波助瀾的作用。因此，如何在網(wǎng)絡(luò)輿情事件中，自動準(zhǔn)確識別網(wǎng)民情感是極其重要的。

目前，已有文獻對網(wǎng)民情感分析做了相關(guān)研究。例如，Wu等[2]利用OCC（Ortony，Clore，Collins）模型建立文本情感標(biāo)注規(guī)則，并利用卷積神經(jīng)網(wǎng)絡(luò)對文本進行情感分類；Zhang等[3]建立擴展的情感詞典，結(jié)合機器學(xué)習(xí)模型對文本進行情感分類。從上述研究中可以看出，情感分析的對象皆為文本內(nèi)容。然而，隨著社交媒體平臺的不斷發(fā)展，文本不再是網(wǎng)民表達觀點和態(tài)度的唯一內(nèi)容載體。采用文本結(jié)合圖片或者短視頻，以一種多模態(tài)相結(jié)合的形式進行表達，已逐步成為網(wǎng)民傾訴心聲的偏愛方式[4]。雖然通過融合不同模態(tài)的情感特征，能夠有效地提升模型情感分析的性能，但這仍是一項具有挑戰(zhàn)性的任務(wù)。

不同的模態(tài)本質(zhì)上是相互異質(zhì)的，然而在內(nèi)部特征中，模態(tài)之間是相互關(guān)聯(lián)的。如何有效地捕捉這樣的交互關(guān)系，是多模態(tài)情感分析的關(guān)鍵，并且已有研究做了相關(guān)探索。例如，Majumder等[5]提出一種結(jié)合上下文的高維融合建模方式，將文本、聲音和圖片等模態(tài)多次進行高維融合，從而獲得融合后的特征。然而，基于注意力機制原理，能夠體現(xiàn)文本、圖片或音頻的情感，僅集中于文本中的部分詞或圖片和音頻中的部分區(qū)域，融合模態(tài)整體信息則會引入噪聲，并造成信息冗余。Huang等[6]基于注意力機制，分別對文本和圖片進行建模后，將生成的具有關(guān)鍵特征的文本和圖片向量進行融合，輸入至全連接層中，從而預(yù)測情感。然而，在現(xiàn)實中，體現(xiàn)文本情感的某個關(guān)鍵詞和圖片中的部分區(qū)域存在著對應(yīng)關(guān)系。例如，在圖1中，體現(xiàn)微博情感的“最美逆行者”和圖片中的“醫(yī)生形象”相關(guān)，和圖片中的其他區(qū)域聯(lián)系較弱。因此，如果對不同模態(tài)內(nèi)容單獨進行注意力機制建模，那么將無法捕捉這樣的關(guān)系。

圖1 多模態(tài)數(shù)據(jù)樣例

為了有效捕捉不同模態(tài)之間的交互，充分學(xué)習(xí)不同模態(tài)的特征，減少模型訓(xùn)練中的冗余信息，從而提升多模態(tài)情感分析模型的性能，本文借鑒Zhang等[7]提出的用于命名實體任務(wù)中的自適應(yīng)聯(lián)合注意力機制，提出了多模態(tài)聯(lián)合注意力機制情感分析模型（multimodal co-attention sentiment analysis model，MCSAM）。MCSAM主要由多模態(tài)聯(lián)合注意力機制和中間層融合策略組成。多模態(tài)聯(lián)合注意力機制是由詞引導(dǎo)的注意力機制和圖引導(dǎo)的注意力機制構(gòu)成的。其通過讓文本中的詞來引導(dǎo)圖片區(qū)域的情感權(quán)重和讓新生成的圖片情感向量引導(dǎo)句子中詞的情感權(quán)重，捕捉不同模態(tài)之間的關(guān)聯(lián)和交互關(guān)系，并生成具有深度語義的文本和圖片特征向量。然后，利用中間層融合策略融合文本和圖片的表示向量，并輸入至多層全連接中，生成預(yù)測的情感標(biāo)簽。本文的主要貢獻如下：

?本文提出基于多模態(tài)聯(lián)合注意力機制的網(wǎng)民情感分析模型。該模型能夠充分捕捉到模態(tài)交互后的注意力分布，并且有效減少模態(tài)中的冗余信息和噪聲。

?本文結(jié)合“新冠肺炎疫情”等多模態(tài)網(wǎng)絡(luò)輿情的數(shù)據(jù)進行實證研究，并同其他state-of-the-art模型，如MAM（multimodal attention model）、TFN（tensor fusion network）等，進行對比分析。實驗結(jié)果驗證了MCSAM的優(yōu)越性。

本文的其余部分安排如下：第2節(jié)介紹了目前的相關(guān)研究進展，第3節(jié)詳細(xì)描述了本文所提出的模型，第4節(jié)為實證研究，第5節(jié)為總結(jié)和展望。

2 相關(guān)研究

2.1 網(wǎng)民情感分析研究

網(wǎng)民情感對網(wǎng)絡(luò)輿情事件的醞釀、爆發(fā)和消解整個過程都具有重要的影響。吳鵬等[8]結(jié)合情感詞向量和雙向長短期記憶網(wǎng)絡(luò)，對網(wǎng)民的負(fù)面情感進行了多分類研究。辜麗瓊等[9]利用詞向量和K-means聚類方法對網(wǎng)民的評論進行了情感追蹤分析。夏一雪等[10]利用仿真的方法對突發(fā)事件中網(wǎng)民的負(fù)面情感進行了分析。朱曉霞等[11]結(jié)合改進的TF-ⅠDF方法和LDA模型提取文本的關(guān)鍵情感詞，進行網(wǎng)民情感的演化分析。張鵬等[12]基于構(gòu)建的突發(fā)事件情感詞典，并結(jié)合TF-ⅠDF等方法對網(wǎng)民情感進行分析。

從上述研究中可以發(fā)現(xiàn)，目前，網(wǎng)民情感分析的研究對象主要基于文本，缺乏結(jié)合多模態(tài)內(nèi)容的研究。

2.2 單模態(tài)情感分析研究

1）文本情感分析

現(xiàn)有的文本情感識別方法分為基于詞典的方法、基于統(tǒng)計的方法和基于深度學(xué)習(xí)的方法[13]?；谠~典的方法主要依靠語言學(xué)，利用人工構(gòu)建的情感詞典，從而識別句子中的情感詞或者規(guī)則，并以此進行文本情感分析[14]。但是此類方法嚴(yán)重依靠情感詞典規(guī)模和質(zhì)量，并且存在擴展性差、遷移性差等問題?；诮y(tǒng)計的文本情感識別方法主要是采用機器學(xué)習(xí)方法，將人工標(biāo)注的訓(xùn)練預(yù)料作為訓(xùn)練集，抽取文本情感特征，并利用該模型進行情感分類[15-16]。

深度學(xué)習(xí)作為機器學(xué)習(xí)發(fā)展的一個研究熱點，被應(yīng)用至自然語言處理任務(wù)中。例如，Kim[17]提出用于文本情感分析的1d-CNN（one-dimensional convolutional neural network），并取得了良好效果。Ma等[18]提出了一種帶有高維注意力機制的擴展的長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠聚合同情感相關(guān)的常識知識，并表現(xiàn)優(yōu)越。

2）圖片情感分析

相較于文本情感分析，圖片情感分析由于受限于人類情感與圖片語義間的“情感鴻溝”，因此其任務(wù)更具有挑戰(zhàn)性。傳統(tǒng)的圖片情感分析方法主要利用手工特征，如線條[19]、顏色[20]、亮度[21]等，作為圖片的表示向量，然后將其輸入至分類器中，進行情感分類。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）[22]能夠?qū)W習(xí)圖片中復(fù)雜且抽象特征，并在多個計算機的視覺任務(wù)中獲得成功，有學(xué)者將其應(yīng)用至圖片情感分析中。例如，Chen等[23]提出一個包含多個CNN的深度神經(jīng)網(wǎng)絡(luò)對圖片情感進行分類，模型性能顯著優(yōu)于傳統(tǒng)的機器學(xué)習(xí)模型。Yang等[24]提出一個考慮圖片局部區(qū)域信息和整體信息的圖片情感識別模型，并取得了良好的效果。Campos等[25]通過遷移預(yù)訓(xùn)練模型的權(quán)重，并對其進行微調(diào)操作，從而提升模型性能。

2.3 多模態(tài)情感分析研究

從模態(tài)融合的視角來看，多模態(tài)情感分析研究可分為特征層融合、中間層融合和決策層融合等[26]。

在特征層融合中，通過拼接、相加等方式融合不同模態(tài)的特征，形成單一的長向量，并輸入至分類器。例如，Poria等[27]將文本特征、音頻特征以及面部特征相拼接，生成融合后的特征向量，并將其輸入至多核SVM（support vector machine）中，完成情感分類。Pérez Rosas等[28]拼接視頻中，不同模態(tài)的特征，輸入至SVM分類器中進行情感分析。然而，特征層融合后生成的多模態(tài)融合特征，不能很好地捕捉模態(tài)之間的相關(guān)關(guān)系，并包含冗余特征和噪聲。

中間層融合通常發(fā)生于深度神經(jīng)網(wǎng)絡(luò)中，通過對不同模態(tài)的特征進行編碼，形成相應(yīng)的特征表示，并進行融合。例如，Zadeh等[29]提出張量融合模型，通過將編碼后的不同模態(tài)的特征進行外積，形成空間上的3維立方體，作為融合后的多模態(tài)特征，輸入至全連接層中進行情感分類。Huang等[6]結(jié)合注意力機制，對文本和圖片分別進行建模，對新生成的文本和圖片特征向量進行融合，并進行情感分類。雖然基于中間層融合的方法均取得了較好的效果，但是捕捉網(wǎng)絡(luò)中模態(tài)的交互依然是難點。

在決策層融合中，不同的模態(tài)獨立建模，利用基于規(guī)則或者投票的方法，對不同模態(tài)情感分析模型輸出的情感類別概率進行融合，生成情感標(biāo)簽[30]。例如，Song等[31]利用不同的網(wǎng)絡(luò)輸出不同模態(tài)的情感預(yù)測概率，并將其融合輸入至人工神經(jīng)網(wǎng)絡(luò)或k最鄰近算法中，產(chǎn)生最終情感標(biāo)簽。對于決策層融合，不同的模態(tài)能夠選擇最優(yōu)的模型進行情感類別概率預(yù)測，然而模態(tài)間的關(guān)聯(lián)和交互沒有被充分考慮。

3 模型設(shè)計

本文提出的基于多模態(tài)聯(lián)合注意力機制的網(wǎng)民情感分析模型結(jié)構(gòu)如圖2所示，其主要由多模態(tài)聯(lián)合注意力機制和中間層融合策略組成。多模態(tài)聯(lián)合注意力機制分為詞引導(dǎo)的注意力機制和圖引導(dǎo)的注意力機制，兩者分別捕捉文本和圖片交互后的注意力分布，從而生成新的特征表示向量；然后，通過中間層融合策略，融合文本和圖片特征，并輸入至多層感知機中，產(chǎn)生最終的情感預(yù)測類別。下文將詳細(xì)描述提出的算法和模型。

圖2 基于多模態(tài)聯(lián)合注意力機制的網(wǎng)民情感分析模型

3.1 圖片特征提取

CNN在多個視覺任務(wù)中取得了巨大成功，并被應(yīng)用至圖片情感分析中。對于圖片特征提取，常用的方法有利用預(yù)訓(xùn)練圖片模型中的全連接層提取圖片的特征，或者利用傳統(tǒng)的手工特征。為了獲得圖片中不同區(qū)域的空間特征，本文利用在ⅠmageNet[32]中預(yù)訓(xùn)練的VGG16（visual geometry group 16）[33]模型中的最后一層池化層（pool5），提取圖片的空間特征。VGG16網(wǎng)絡(luò)中pool5輸出的特征圖大小為7×7×512，其中512為特征向量的維度；7×7為特征圖的數(shù)量。令v={v1,v2,v3,…,vi,…,vn}表示與網(wǎng)絡(luò)輿情文本相對應(yīng)的n張圖片。經(jīng)過pool5層抽取得到的圖片特征,j=1,2,…,N}，那么圖片特征中j區(qū)域的特征維度為512，區(qū)域數(shù)量為N=49。

其中，Wv表示全連接層中的權(quán)重；bv表示偏置項；d表示輸出維度；tanh為雙曲正切激活函數(shù)。

3.2 文本特征提取

本文利用word2vec（word to vector）[34]模型對大規(guī)模網(wǎng)絡(luò)輿情文本進行無監(jiān)督訓(xùn)練，獲得富含句法信息和語義信息的詞向量，作為模型輸入。令t={t1,t2,…,ti,…,tn}，其中t表示網(wǎng)絡(luò)輿情圖文數(shù)據(jù)集中的文本。對于每一個文本ti，本文利用在大規(guī)模網(wǎng)絡(luò)輿情文本中訓(xùn)練好的詞向量模型Vec對其進行向量化表示，則l={l1,l2,…,li,…,ln}，并且

其中，M為句子長度；dw為詞向量的維度。本文將l={l1,l2,…,li,…,ln}作為網(wǎng)絡(luò)輿情文本的表示。

3.3 CNN-BiLSTM模型

常用的文本情感分析模型有LSTM[35]、CNN[17]等。例如，吳鵬等[36]提出結(jié)合OCC模型和CNN模型分析網(wǎng)民情感，并輸出三種情感類別；金占勇等[37]提出利用LSTM模型，對突發(fā)災(zāi)害事件網(wǎng)絡(luò)輿情情感進行識別。LSTM作為RNN的變體，能夠巧妙地控制其獨特的門結(jié)構(gòu)，有效地學(xué)習(xí)上下文的語義信息，是一種優(yōu)異的序列模型。通過卷積核在窗口中的滑動，CNN能夠有效的學(xué)習(xí)句子中的n-gram特征，生成由詞組成的短語向量。不同于上述的研究，本文提出結(jié)合CNN和LSTM的CNN-BiLSTM模型，結(jié)合了兩種模型的優(yōu)點，對向量化表示的網(wǎng)絡(luò)輿情文本進行特征抽取。對輸入的由詞向量表示的句子,j=1,2,…,M}進行卷積操作，其中M表示句子的長度。令表示卷積核，卷積核數(shù)量為z，s表示卷積核（窗口）大小，經(jīng)過卷積核wk卷積得到的特征圖為

其中，bc為偏置項；fc為非線性激活函數(shù)relu。對卷積后得到特征圖譜進行最大池化，用于聚合特征，降低數(shù)據(jù)敏感度，輸出的最大池化特征圖譜=max(ck)。本文對卷積進行了填充操作，經(jīng)過卷積池化輸出的句子特征表示為li'。然后，本文將短語特征向量表示的句子特征li'與詞向量表示的句子特征li相拼接，生成富含短語特征和詞特征的句子表示矩陣li''，作為BiLSTM網(wǎng)絡(luò)的輸入。BiLSTM是由雙向的LSTM構(gòu)成的，前向LSTM能夠通過時間順序傳遞序列信息，反向LSTM能夠逆序傳遞序列信息，從而能夠更好地學(xué)習(xí)上下文信息。LSTM由輸入門、遺忘門、輸出門以及細(xì)胞狀態(tài)組成，通過結(jié)合每個門所用的公式，學(xué)習(xí)具有時間依賴的句子表示,j=1,2,…,M}，其中，d為BiLSTM編碼后的特征維度，M為句子長度，具體公式為

其中，Wl表示權(quán)重矩陣；ft、jt、ot分別表示t時刻的遺忘門、輸入門和輸出門；xt為t時刻的輸入；⊙表示點乘操作；σ表示sigmoid激活函數(shù)；tanh表示雙曲正切激活函數(shù)。

3.4 多模態(tài)聯(lián)合注意力機制

本文中的多模態(tài)聯(lián)合注意力機制由詞引導(dǎo)的注意力機制和圖引導(dǎo)注意力機制構(gòu)成，具體如圖3所示。

圖3 多模態(tài)聯(lián)合注意力機制

3.4.1 詞引導(dǎo)的注意力機制

在多模態(tài)情感分析研究中，已有關(guān)于注意力機制的研究。例如，Huang等[6]提出深度多模態(tài)注意力融合模型，通過對文本和圖片分別進行注意力機制建模，將提取的文本和圖片注意力權(quán)重進行融合，輸入至全連接層中，從而獲得情感標(biāo)簽。然而，在現(xiàn)實中，體現(xiàn)文本情感的詞僅和圖片中的部分區(qū)域相關(guān)聯(lián)。如果忽略圖片和文本之間的關(guān)聯(lián)，分別進行注意力機制建模，那么會影響模態(tài)間的整體交互。不同于這些已有的研究，本文利用詞引導(dǎo)的注意力機制，通過利用編碼后的詞來引導(dǎo)圖片中各個區(qū)域的注意力分布，充分捕獲文本和圖片之間的交互和關(guān)聯(lián)關(guān)系，同時減少冗余信息和噪聲。

其中，W表示全連接層中的權(quán)重矩陣；b表示偏置項；⊕表示拼接操作。拼接操作具體是指vi中的每一列向量同相拼接。本文利用softmax函數(shù)來計算注意力權(quán)重αt：

在注意力機制中，圖片中的每一個區(qū)域均會被分配一個介于[0,1]區(qū)間的得分αt,j(1≤j≤N)作為注意力權(quán)重。最后，基于注意力權(quán)重分布，得到新生成的與詞相關(guān)的圖片特征向量Zt：

3.4.2 圖引導(dǎo)的注意力機制

通過詞引導(dǎo)的注意力機制，本文獲得圖片的新特征表示。而在文本中，不同的詞與文本情感的相關(guān)性是未知的。因此，本文結(jié)合圖引導(dǎo)的注意力機制，通過引入新生成的圖片特征Zt來引導(dǎo)文本的詞進行注意力權(quán)重計算。經(jīng)過編碼后的句子特征矩陣為,j=1,2,…,M}，M為句子長度，d為編碼后特征維度。將句子特征矩陣hi和對應(yīng)的圖片特征向量Zt輸入至一層全連接層中，進行非線性激活，得到歸一化后的特征e't：

其中，W表示權(quán)重矩陣；b表示偏置項；⊕表示拼接操作。拼接操作具體指hi的每一列向量同Zt相拼接。本文利用softmax函數(shù)來計算注意力權(quán)重βt：

在注意力模型中，句子中的每個詞均會被分配一個介于[0,1]之間的得分βt,j,1≤j≤M，作為注意力權(quán)重。最后，基于注意力權(quán)重分布，得到新生成的與圖片特征Zt相關(guān)的句子特征向量St：

3.5 多模態(tài)融合

通過詞引導(dǎo)的注意力機制和圖引導(dǎo)的注意力機制，本文分別得到新的文本和圖片特征St和Zt，利用中間層融合方式，將文本特征St和圖片特征Zt進行融合。

本文將St和Zt融合輸入至多層全連接層中，對融合后的特征進行編碼，用于最終的情感分類：

其中，labelfusion代表模型預(yù)測的情感標(biāo)簽；θfusion代表全連接層中的參數(shù)；C代表情感類別數(shù)量。

4 實證研究

本節(jié)將首先介紹實驗環(huán)境及評價指標(biāo)，然后介紹本文所用的數(shù)據(jù)集及數(shù)據(jù)的預(yù)處理過程。最后，本文將提出的模型在網(wǎng)絡(luò)輿情事件數(shù)據(jù)集中進行驗證，并同基線模型作對比，報告的結(jié)果均為最優(yōu)結(jié)果。

4.1 實驗環(huán)境及評價指標(biāo)

本文所用的編程語言為python 3.6，使用的深度學(xué)習(xí)框架為pytorch 1.0.1和keras 2.2.4。本文的實驗均在內(nèi)存為8G、處理器為Ⅰntel Core i7-7700HQ的機器上完成。為了排除其他不必要因素對實驗產(chǎn)生的影響，實驗中每個模型所用的訓(xùn)練集與測試集均一致。其中，實驗數(shù)據(jù)集的80%作為訓(xùn)練集，剩余的20%作為測試集。

本文實驗所用評價指標(biāo)為宏平均精確率（marco-precision）、宏平均召回率（marco-recall）和宏平均F1值（F1-score）。在本文中，上述指標(biāo)分別簡稱為P、R及F1值。

4.2 實驗數(shù)據(jù)集獲取及預(yù)處理

1）數(shù)據(jù)集獲取

本文從新浪微博中搜集了近期發(fā)生的網(wǎng)絡(luò)輿情事件數(shù)據(jù)，包括“新冠肺炎疫情”“武漢紅十字會”等網(wǎng)絡(luò)輿情事件。搜集的數(shù)據(jù)集包含2459個文本和圖片對，均為對應(yīng)關(guān)系。數(shù)據(jù)示例如圖1所示。除此之外，本文還從微博中抓取了近年發(fā)生的網(wǎng)絡(luò)輿情事件數(shù)據(jù)，用于訓(xùn)練詞向量，對數(shù)據(jù)進行清洗后，獲得總計2911235條文本。

2）數(shù)據(jù)集預(yù)處理

在實驗開始之前，本文對中文數(shù)據(jù)進行了預(yù)處理。首先，本文對微博中的一些無意義符號進行去除，利用python中jieba①https://pypi.org/project/jieba/包并結(jié)合本地詞典對文本進行了分詞處理，同時利用停用詞詞典對文本進行了去停用詞處理。對于圖片，本文利用python中的CV2②https://pypi.org/project/opencv-python/讀取圖片，并將圖片的大小調(diào)整224×224×3，適應(yīng)本文所構(gòu)建的圖片情感識別模型的輸入。

3）數(shù)據(jù)集標(biāo)注

本文對實驗數(shù)據(jù)集進行了雙人標(biāo)注，標(biāo)注的情感分別正面、中性和負(fù)面。實驗數(shù)據(jù)集由兩位信息管理與信息系統(tǒng)專業(yè)本科生進行情感標(biāo)注，其有著多年的社交媒體使用經(jīng)驗，標(biāo)注結(jié)果的kappa系數(shù)為0.747，標(biāo)注結(jié)果具有較高的一致性。對于不一致的標(biāo)注，通過討論產(chǎn)生最終的情感標(biāo)簽，最終的情感標(biāo)注結(jié)果如表1所示。

表1 情感標(biāo)注結(jié)果

4.3 模型設(shè)置

本文利用word2vec中的skip-gram模型訓(xùn)練詞向量，詞向量維度設(shè)置為100。文本長度設(shè)置為50，如果文本長度超過50，那么截斷；反之，則補零。卷積層卷積核大小設(shè)置為2，數(shù)量為256。圖片輸入大小為224×224，帶有RGB三通道。本文利用預(yù)訓(xùn)練VGG16模型中的pool5層提取圖片的空間特征，大小為7×7×512，圖片特征區(qū)域數(shù)量為7×7，維度大小為512。輸入至一層全連接層中，激活函數(shù)為tanh，維度同CNN-BiLSTM輸出維度相一致。融合后的多模態(tài)特征輸入至兩層特征維度分別為300和3的全連接層中，激活函數(shù)分別tanh和softmax。

在訓(xùn)練過程中，本文利用adam作為目標(biāo)函數(shù)的優(yōu)化器，學(xué)習(xí)率設(shè)置為0.001。損失函數(shù)為crossentrophy，訓(xùn)練批次大小為128，訓(xùn)練輪數(shù)設(shè)置為100。本文采用earlystopping技術(shù)，檢測參數(shù)為損失值，當(dāng)損失值連續(xù)10輪不下降，訓(xùn)練隨即停止。

4.4 基線模型

本節(jié)介紹用于與提出的模型相對比的基線模型，其中有些模型在公開數(shù)據(jù)集中，達到state-ofthe-art效果。T表示文本，V表示圖片。

?BiLSTM-T[8]是一種優(yōu)異的用于處理文本等輸入的序列模型，常被用于情感分析任務(wù)中。

?CNN-BiLSTM-T[38]模型由卷積層、池化層和全連接層組成，能夠很好地捕捉文本空間特征，是一種優(yōu)異的文本情感分類模型。

?CNN-BiLSTM-attention-T模型是本文提出模型的組成部分，對文本單獨進行注意力機制建模，利用softmax層對新生成文本特征向量進行情感分類。

?CNN-V[33]是利用預(yù)訓(xùn)練的VGG16模型進行圖片特征進行特征提取，輸入至softmax層進行情感分類。

?CNN-attention-V模型是本文提出模型的組成部分，對圖片空間特征單獨進行注意力機制建模，利用softmax層對新生成的圖片特征向量進行情感分類。

?SVM[28]是利用SVM用于對拼接后的文本特征和圖片特征進行情感分類。

?MAM[6]是一個基于注意力機制的多模態(tài)融合情感分析模型，通過對不同模態(tài)分別進行注意力機制建模，能夠有效地學(xué)習(xí)多模態(tài)情感特征。

?TFN[29]是通過對不同模態(tài)的情感特征進行高維融合，能夠較好的捕捉不同模態(tài)間內(nèi)部動態(tài)交互。

同時，本文還將僅使用詞引導(dǎo)的注意力機制模型（word-guided attention，WGA）和僅使用圖引導(dǎo)的注意力機制模型（image-guided attention，ⅠGA）進行對比。

4.5 實驗結(jié)果及分析

1）單模態(tài)

表2呈現(xiàn)的是單模態(tài)情感分析結(jié)果。在文本模態(tài)中，通過對比CNN-BiLSTM和BiLSTM的實驗結(jié)果，可以看出CNN-BiLSTM具有一定的優(yōu)勢。BiLSTM能夠充分學(xué)習(xí)句子中的序列特征，結(jié)合句子中的過去信息和將來信息；CNN能夠通過網(wǎng)絡(luò)中卷積核在句子中的滑動充分學(xué)習(xí)句子的n-gram特征；而CNN-BiLSTM則屬于兩者優(yōu)勢的結(jié)合，這也是CNNBiLSTM表現(xiàn)優(yōu)越的原因。對比應(yīng)用了注意力的CNN-BiLSTM-attention和未使用注意力機制的CNNBiLSTM，可以看出引入注意力機制模型的優(yōu)勢，這同樣也體現(xiàn)在圖片情感分析模型CNN和CNN-attention的對比結(jié)果中。因此，引入注意力機制在情感分析中具有一定的優(yōu)勢，并能夠提升模型性能。

表2 單模態(tài)情感分析結(jié)果

對比文本模態(tài)情感分析結(jié)果和圖片模態(tài)情感分析結(jié)果可以發(fā)現(xiàn)，文本情感分析的結(jié)果顯著優(yōu)于圖片情感分析結(jié)果。這表明，相較于圖片，文本攜帶了更多富有情感的信息。

2）多模態(tài)

表3呈現(xiàn)的是多模態(tài)融合情感分析的實驗結(jié)果。對比利用特征層融合的SVM模型結(jié)果，本文提出的模型MCSAM在三項評估指標(biāo)中的結(jié)果均優(yōu)于SVM約13%。這在一定程度上表明深度神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)和融合多模態(tài)特征上的優(yōu)勢。與利用高維融合的TFN模型進行對比，MCSAM模型的各項指標(biāo)均優(yōu)于TFN模型。雖然高維融合能夠捕捉模態(tài)中的全面信息，但是同時也帶來了信息冗余和引入噪聲的風(fēng)險，導(dǎo)致MCSAM模型達不到最優(yōu)狀態(tài)。而利用注意力機制恰好可以避免這一風(fēng)險，本文通過為文本中的內(nèi)容和圖片內(nèi)的不同區(qū)域分配不同的注意力權(quán)重，使得MCSAM模型多加關(guān)注文本和圖片中富有情感信息的部分，弱化文本和圖片中的噪聲，從而令模型發(fā)揮最優(yōu)。MAM是一種對不同模態(tài)分別進行注意力機制的多模態(tài)融合模型，在同MAM的對比中，應(yīng)用了聯(lián)合注意力機制的MCSAM依舊優(yōu)于MAM。在精確率指標(biāo)中，MCSAM高于MAM約2.46%。應(yīng)用注意力機制能夠使模型“刻意”關(guān)注模態(tài)中富含情感信息的區(qū)域，但是在多模態(tài)中，不同模態(tài)間語義是相互關(guān)聯(lián)的。某一模態(tài)富含情感的部分僅和另一模態(tài)的某些部分或者區(qū)域相對應(yīng)和聯(lián)系。如果對不同模態(tài)單獨建模，那么這樣的關(guān)系便會被割裂，無法捕捉。而利用聯(lián)合注意力機制，通過令文本中的詞來引導(dǎo)圖片區(qū)域中的注意力權(quán)重分布，生成詞引導(dǎo)的圖片特征向量，再利用新生成的圖片特征向量引導(dǎo)文本中詞的注意力權(quán)重分布，生成圖引導(dǎo)的文本特征向量，則可以充分捕捉不同模態(tài)間富含情感區(qū)域部分的相互關(guān)聯(lián)關(guān)系，這也是MCSAM優(yōu)于MAM的原因。在同WGA和ⅠGA的對比中可以看出，采用中間層融合后的MCSAM顯著優(yōu)于WGA和ⅠGA，這充分說明詞引導(dǎo)的注意力機制和圖引導(dǎo)的注意力機制聯(lián)合后的優(yōu)勢，同時，也展現(xiàn)出多模態(tài)融合在情感分析中的優(yōu)勢。

表3 多模態(tài)情感分析結(jié)果

4.6 參數(shù)敏感性分析

BiLSTM中的隱藏單元數(shù)和dropout值是本文提出的模型中的重要參數(shù)。因此，下文評估了不同參數(shù)的變化給模型帶來的影響。

由圖4可以看出，當(dāng)模型引入dropout技術(shù)后，模型的性能得到了顯著提升。這表明dropout技術(shù)在克服模型過擬合中具有優(yōu)越性。當(dāng)dropout值的增大，模型的性能總體上呈現(xiàn)下降趨勢；當(dāng)dropout值達0.1時，模型的性能取得最優(yōu)。

在模型中，為了便于計算，模型中全連接層、文本及圖片特征向量的維度數(shù)同CNN-BiLSTM中的輸出維度數(shù)相同，即與BiLSTM中的隱藏層單元數(shù)相關(guān)。由圖5可以看出，不同的隱藏層單元數(shù)對模型的性能有著顯著的影響。當(dāng)隱藏層單元數(shù)為300時，模型達到最優(yōu)。因此，本文所提出的模型中BiLSTM的隱藏層單元數(shù)設(shè)置為300。

圖4 dropout值對模型性能的影響

圖5 隱藏層單元數(shù)對模型性能的影響

5 總結(jié)與展望

針對當(dāng)前網(wǎng)民情感的分析不足，本文引入了一種基于多模態(tài)聯(lián)合注意力的網(wǎng)民情感分析模型。通過聯(lián)合詞引導(dǎo)的注意力機制和圖引導(dǎo)的注意力機制來動態(tài)捕捉不同模態(tài)之間的關(guān)聯(lián)關(guān)系，減少信息冗余和噪聲，并對新生成的文本和圖片特征向量進行中間層融合，輸入至多層全連接層中，生成預(yù)測的情感標(biāo)簽。本文所提出的模型在真實數(shù)據(jù)集中進行了實證研究，并與不同的基線模型進行對比分析，實驗結(jié)果表明，本文提出的模型具有一定的優(yōu)勢。

同時，本文也存在一些不足，如所提出的模型僅在中文數(shù)據(jù)集中進行了驗證。在未來的研究中，將所提出的模型在推特輿情數(shù)據(jù)集以及公開數(shù)據(jù)集進行測試，以驗證模型性能。同時，如何更好地捕捉不同模態(tài)間的關(guān)聯(lián)和交互也將是未來研究的重點。