梁淑蓉，謝曉蘭,2*，陳基漓,2，許 可

(1.桂林理工大學(xué)信息科學(xué)與工程學(xué)院, 桂林 514004；2.廣西嵌入式技術(shù)與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室, 桂林 514004)

隨著互聯(lián)網(wǎng)時(shí)代發(fā)展起來的各種消費(fèi)、娛樂和工作平臺(tái)，不僅給人們帶來便利生活，也給意見反饋和信息交流提供媒介，人們更愿意通過網(wǎng)絡(luò)平臺(tái)反饋?zhàn)约簩?duì)事物的喜好程度。情感分析是對(duì)主觀文本的情感傾向性分析，可獲取人們對(duì)事物的情感傾向，也給決策者規(guī)劃提供參考。

情感分析的發(fā)展主要經(jīng)過3個(gè)階段：基于情感詞典方法階段、基于機(jī)器學(xué)習(xí)方法階段和基于深度學(xué)習(xí)方法階段[1]。情感詞典是最早用于情感分析的手段，但人工構(gòu)建的情感詞典存在情感詞不完整、在不同的語(yǔ)境情況下無法識(shí)別情感傾向以及不能及時(shí)收錄新詞等問題。第二階段在機(jī)器學(xué)習(xí)的基礎(chǔ)上，根據(jù)文本特征的提取進(jìn)行情感分類，相較于情感詞典的方法能減少人工標(biāo)注的勞動(dòng)力，但分類器的優(yōu)劣取決于特征提取的效果，導(dǎo)致其泛化程度不高。而深度學(xué)習(xí)的方法通過對(duì)人的神經(jīng)系統(tǒng)的模擬來構(gòu)建網(wǎng)絡(luò)模型，比上述兩者都更具優(yōu)勢(shì)。近年來，隨著計(jì)算機(jī)生產(chǎn)力的提高，云計(jì)算技術(shù)、大數(shù)據(jù)等技術(shù)以及先進(jìn)技術(shù)的不斷發(fā)展，使得深度學(xué)習(xí)方法被廣泛應(yīng)用于自然語(yǔ)言處理(natural language processing，NLP)領(lǐng)域，主要體現(xiàn)在三種主流預(yù)訓(xùn)練模型手段：

第一種是神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型Word Embedding(詞嵌入)，先通過無監(jiān)督學(xué)習(xí)語(yǔ)料得到的詞向量，再應(yīng)用于下游任務(wù)，Word2Vec模型和GloVe模型都是Word Embedding的代表，但該方法未考慮上下文語(yǔ)義。對(duì)此，文獻(xiàn)[2]在Word2Vec基礎(chǔ)上引入BILSTM以及文獻(xiàn)[3]在GloVe基礎(chǔ)上引入LSTM，用來獲取文本的上下文信息，將提取到的詞向量輸入分類器進(jìn)行情感分析，但分類器效果會(huì)依賴于特征提取能力的優(yōu)劣，泛化能力不高。

第二種手段是采用RNN及其擴(kuò)展方法，例如LSTM、GRU和Seq2Seq等，由于考慮了上下文語(yǔ)義，能很好地應(yīng)對(duì)NLP中機(jī)器翻譯[4]、閱讀理解[5]和情感分析[6]等相關(guān)問題，但缺點(diǎn)是需要大量標(biāo)注數(shù)據(jù)和監(jiān)督學(xué)習(xí)。文獻(xiàn)[7]提出一種GRU和膠囊特征融合的情感分析模型，相對(duì)基于CNN方法的模型，準(zhǔn)確率得到了提高。文獻(xiàn)[8]將BILSTM和CNN相結(jié)合，該解決方案使用遷移學(xué)習(xí)為情感分類的特定任務(wù)嵌入微調(diào)語(yǔ)言模型，從而能夠捕獲上下文語(yǔ)義。文獻(xiàn)[9]基于CNN和Bi-GRU網(wǎng)絡(luò)模型，引入情感積分來更好提取影響句子情感極性的特征，再加入注意力層使得模型相對(duì)比其他相關(guān)模型獲得更高的準(zhǔn)確率。上述改進(jìn)方式都是希望引入新機(jī)制的優(yōu)勢(shì)優(yōu)化模型性能，但未從本質(zhì)上解決模型缺陷。

第三種手段基于無監(jiān)督學(xué)習(xí)，并充分考慮上下文語(yǔ)義，是目前公認(rèn)最有效的模型訓(xùn)練手段。以此衍生的模型有ELMo[10]、OpenAI GPT[11]、Bert[12]和XLNet[13]。ELMo的本質(zhì)是多層雙向的LSTM，但ELMo通過無監(jiān)督學(xué)習(xí)語(yǔ)料得到上下文相關(guān)的特征不能適應(yīng)特定任務(wù)。OpenAI GPT則是對(duì)ELMo的改進(jìn)，采用Transformer替代ELMo的LSTM部分，同時(shí)針對(duì)不同任務(wù)進(jìn)行Fine-Tuning，但在編碼時(shí)不能看到后文的語(yǔ)義。2018年Google提出的Bert模型基于Encoder-Decoder架構(gòu)和雙向Transformer編碼，同時(shí)采用masked語(yǔ)言模型和上下文語(yǔ)句預(yù)測(cè)機(jī)制，BERT的出現(xiàn)開啟了NLP新時(shí)代，在情感分析領(lǐng)域也取得不錯(cuò)成果，但也仍存在一定的缺陷，如模型上下游任務(wù)不一致而導(dǎo)致泛化能力低，每個(gè)預(yù)測(cè)詞之間相互獨(dú)立，以及生成任務(wù)能力不高。次年，谷歌大腦提出了XLNet模型，采用自回歸語(yǔ)言模型，引入置換語(yǔ)言模型解決AR模型不能雙向建模的缺陷，也增加了factorization order和Two-stream attention機(jī)制，一定程度上解決了BERT的缺陷，在許多公認(rèn)的數(shù)據(jù)集任務(wù)中表現(xiàn)也十分優(yōu)異。

當(dāng)前，基于BERT和XLNet兩種模型的優(yōu)化方法在情感分析上的應(yīng)用成為研究人員關(guān)注的焦點(diǎn)，針對(duì)BERT的改進(jìn)，文獻(xiàn)[14]基于BERT模型結(jié)合BILSTM分析微博評(píng)論的情感傾向，提出的方法F1值有較高結(jié)果，但由于BERT參數(shù)過大，訓(xùn)練難度大的問題，使用的是發(fā)布訓(xùn)練好的模型。針對(duì)以往模型不能解決長(zhǎng)文本存在的冗余和噪聲的問題，文獻(xiàn)[15]在文本篩選網(wǎng)絡(luò)中采用LSTM和注意力機(jī)制相結(jié)合方式，來篩選粗粒度相關(guān)內(nèi)容。再與細(xì)粒度內(nèi)容組合并輸入BERT模型中，該方法一定程度提升了方面級(jí)情感分析任務(wù)性能。文獻(xiàn)[16]基于BERT模型，引入BILSTM層和CRF層來擴(kuò)展原模型，可以根據(jù)上下文來判斷那些情感傾向不明顯文本的情感傾向。文獻(xiàn)[17]針對(duì)BERT模型不能提供上下文信息的問題，結(jié)合GBCN方法構(gòu)建新模型，采用GBCN門控制機(jī)制，根據(jù)上下文感知嵌入的方法，優(yōu)化BERT提取出的詞向量特征。文獻(xiàn)[18]在BERT的基礎(chǔ)上增加BILSTM和注意力機(jī)制構(gòu)成的情感分析模型，相比以往模型，準(zhǔn)確率和召回率都得到較好的結(jié)果?？梢杂^察到，大多數(shù)情況對(duì)BERT的改進(jìn)是在模型的基礎(chǔ)上，增加一些神經(jīng)網(wǎng)絡(luò)處理層，最后再進(jìn)行微調(diào)的過程。目前針對(duì)XLNet的優(yōu)化研究處于初步探索階段，但從文獻(xiàn)[19]可發(fā)現(xiàn)，基于Transformer-XL結(jié)構(gòu)的XLNet模型應(yīng)用于情感分析領(lǐng)域，其效果優(yōu)于以往技術(shù)，并且訓(xùn)練模型所需數(shù)據(jù)減少了120倍。文獻(xiàn)[20]提出一種基于XLNet和膠囊網(wǎng)絡(luò)的模型，該方法通過提取文本序列的局部和空間層次關(guān)系，產(chǎn)生的局部特征表示經(jīng)過softmax再進(jìn)入下游任務(wù)，其性能優(yōu)于BERT模型。文獻(xiàn)[21]基于XLNet提出了一種CAW-XLnet-BiGRU-CRF網(wǎng)絡(luò)框架，該框架引入XLNet模型來挖掘句子內(nèi)部隱藏的信息，相比其他中文命名實(shí)體識(shí)別框架獲得了較好的F1值。文獻(xiàn)[22]針對(duì)抽取式數(shù)據(jù)集(如QuAD)類型的機(jī)器閱讀理解任務(wù)，采用XLNet語(yǔ)言模型代替?zhèn)鹘y(tǒng)Glo Ve來生成詞向量，實(shí)驗(yàn)表明在基于XLNet模型訓(xùn)練的詞向量的基礎(chǔ)上建立網(wǎng)層來進(jìn)行SQuAD任務(wù)，比以往大多數(shù)模型取得更好的F1值。文獻(xiàn)[23]針對(duì)股票評(píng)論提出了基于混合神經(jīng)網(wǎng)絡(luò)股票情感分析模型，利用XLNet語(yǔ)言模型做多義詞表示工作，提出的模型能兼?zhèn)涠涛谋菊Z(yǔ)義和語(yǔ)序信息提取、捕獲雙向語(yǔ)義特征以及關(guān)鍵特征加權(quán)的能力?？梢杂^察出，采用XLNet預(yù)訓(xùn)練模型學(xué)習(xí)到的詞向量比以往模型獲得更多的上下文語(yǔ)義信息，將XLNet預(yù)訓(xùn)練模型的潛力充分挖掘成為研究人員目前的新工作。

因此，基于前人研究成果及優(yōu)化策略，現(xiàn)提出XLNet-LSTM-Att情感分析優(yōu)化模型，該模型通過XLNet預(yù)訓(xùn)練模型獲取包含上下文語(yǔ)義信息的特征向量，利用LSTM進(jìn)一步提取上下文相關(guān)特征，引入注意力機(jī)制分配權(quán)重突出特征的重要程度，再判別情感傾向性。本文模型通過在XLNet的基礎(chǔ)上，添加新的網(wǎng)絡(luò)層來獲取更為豐富的語(yǔ)義信息，進(jìn)而提高情感分析模型預(yù)測(cè)的準(zhǔn)確性，優(yōu)化模型性能。

1 XLNet-LSTM-Att模型

目前的自然語(yǔ)言處理領(lǐng)域大多遵循兩階段模型規(guī)則，第一階段是上游任務(wù)預(yù)訓(xùn)練語(yǔ)言模型階段，第二階段是下游任務(wù)的調(diào)優(yōu)階段。XLNet-LSTM-Att模型預(yù)訓(xùn)練屬于上游任務(wù)，該模型由3層結(jié)構(gòu)組成，分別為XLNet層、LSTM層和Attention層，如圖1所示。

圖1 XLNet-LSTM-Att模型架構(gòu)圖

Attention層：Attention層是為了給特征向量賦予不同權(quán)值。對(duì)于從LSTM層進(jìn)一步篩選出來的特征向量h(h1,h2,…,hT)，通過Attention機(jī)制對(duì)保留的特征根據(jù)不同的影響程度a(at,1,at,2,…,at,T)而賦予不同權(quán)重，提高模型對(duì)重要特征的注意力。最后通過softmax激活函計(jì)算文本對(duì)應(yīng)類別的向量表示，最終將向量表示執(zhí)行下游情感分析任務(wù)。

1.1 XLNet層

XLNet是谷歌大腦提出的一種新的NLP預(yù)訓(xùn)練模型，該模型在20個(gè)任務(wù)上超越了BERT的性能，并且在18個(gè)任務(wù)上取得了最佳效果[12]?？梢灶A(yù)估XLNet模型未來在NLP領(lǐng)域的發(fā)展將會(huì)有更好的表現(xiàn)。

1.1.1 自回歸語(yǔ)言模型

XLNet基于對(duì)下游任務(wù)更友好的自回歸語(yǔ)言模型。自回歸語(yǔ)言模型具有計(jì)算高效性、建模的概率密度明確的優(yōu)點(diǎn)。假設(shè)給長(zhǎng)度為T的文本定序列x(x1,x2,…,xT)，自回歸語(yǔ)言模型的目標(biāo)函數(shù)由式(1)來表示。

(1)

通過式(1)可知，自回歸語(yǔ)言模型根據(jù)上文內(nèi)容來預(yù)測(cè)下一個(gè)詞，模型不能看到下文信息。假設(shè)需預(yù)測(cè)詞為xt，x

1.1.2 Permutation Language Modeling

XLNet采用了一種新型的語(yǔ)言建模任務(wù)PLM，通過隨機(jī)排列語(yǔ)序來預(yù)測(cè)某個(gè)位置可能出現(xiàn)的詞。PLM需要兩個(gè)步驟來實(shí)現(xiàn)。

第一步：對(duì)全排列采樣。首先，PLM模型需對(duì)序列順序進(jìn)行factorization order(全排列)，以獲得不同的語(yǔ)序結(jié)構(gòu)，假設(shè)給定序列x(x1,x2,…,xT)，其語(yǔ)序的排列方式為1→2→3→4，對(duì)序列順序全排列得到3→2→4→1、2→4→3→1、1→4→2→3等順序。根據(jù)序列因式分解產(chǎn)生的不同順序來預(yù)測(cè)x3的舉例如圖2所示。

圖2 根據(jù)序列因式分解產(chǎn)生的不同順序預(yù)測(cè)x3

對(duì)于順序3→2→4→1的情況，因x3排在首位，則只能利用其隱藏狀態(tài)men進(jìn)行預(yù)測(cè)；對(duì)于順序2→4→3→1的情況，可根據(jù)x2和x4的信息來預(yù)測(cè)x3的內(nèi)容，也就達(dá)到了預(yù)測(cè)過程中獲取上下文信息的目的。

對(duì)于上述全排序的方法，對(duì)給定長(zhǎng)度T的序列x，有T!種排序結(jié)果，當(dāng)序列長(zhǎng)度過大時(shí)會(huì)導(dǎo)致算法的復(fù)雜度過高，并且也會(huì)出現(xiàn)預(yù)測(cè)詞位于首位的情況，顯然對(duì)模型的訓(xùn)練無益。因此，XLNet通過式(2)對(duì)序列全排序進(jìn)行采樣優(yōu)化，去除不合適的序列。

(2)

式(2)中：ZT為長(zhǎng)度為T的序列全排列的集合；z為從ZT里采樣的序列；zt為序列z中t位置上的值；Εz～ZT為對(duì)采樣結(jié)果求期望來減小其復(fù)雜度。

第二步：Attention掩碼機(jī)制。Attention掩碼機(jī)制的原理是在Transformer的內(nèi)部，把不需要的部分mask，不讓其在預(yù)測(cè)過程中發(fā)揮作用，但從模型外部來看，序列順序與輸入時(shí)保持一致。

順序序列3→2→4→1的掩碼矩陣由圖3所示，序列真實(shí)順序沒有改變，通過mask的操作達(dá)到類似隨機(jī)排序的效果。在掩碼矩陣中，其陰影部分為預(yù)測(cè)時(shí)能參考的信息，當(dāng)預(yù)測(cè)x3時(shí)，由于其在首位無參考信息，因此掩碼矩陣第三行無陰影；當(dāng)預(yù)測(cè)x2時(shí)，可根據(jù)x3內(nèi)容預(yù)測(cè)，因此掩碼矩陣第二行的位置3有陰影，以此類推。

圖3 順序3→2→4→1掩碼矩陣

PLM既解決了AR語(yǔ)言模型不能獲取上下文語(yǔ)義的問題，又解決了BERT模型中mask之間相互獨(dú)立的問題。

1.1.3 雙流自注意機(jī)制

雙流自注意(two-stream self attention)機(jī)制可解決PLM模型中，全排序序列語(yǔ)序隨機(jī)打亂使得模型退化為詞袋模型的問題。雙流(two-stream)分為Content Stream和Query Stream。傳統(tǒng)的AR語(yǔ)言模型對(duì)于長(zhǎng)度為T的序列x目標(biāo)函數(shù)為

(3)

式(3)中：z為從長(zhǎng)度為T的序列x全排列隨機(jī)采樣序列；zt為采樣序列t位置上的序號(hào)；x為預(yù)測(cè)詞；e(x)為x的embedding；內(nèi)容隱狀態(tài)hθ(xz

由于PLM會(huì)將序列順序打亂，需要“顯式”的加入預(yù)測(cè)詞在原序列中的位置信息zt，式(3)更新為

(4)

式(4)中：g(xz

(5)

式(5)中：m為網(wǎng)絡(luò)層的層數(shù)，通常在第0層將查詢隱狀態(tài)g(0)初始化為一個(gè)變量w，內(nèi)容隱狀態(tài)h(0)初始化為詞的embedding，即e(x)，根據(jù)上一層計(jì)算下一層數(shù)據(jù)，Q、K和V分別為query、key和value，是通過對(duì)輸入數(shù)據(jù)不同權(quán)值線性變換所得矩陣。

雙流自注意機(jī)制希望在預(yù)測(cè)xt時(shí)，只獲取xt的位置信息，對(duì)于其他詞，既要提供位置信息，又要提供內(nèi)容信息。圖4是順序序列3→2→4→1預(yù)測(cè)x1時(shí)在Content Stream流和Query stream流的工作原理。

圖4 雙流模型

當(dāng)預(yù)測(cè)x1時(shí)，模型能獲得x2、x3和x4的信息，其中，在圖4(a)所示的Content Stream流中，預(yù)測(cè)x1既編碼了上下文的信息(位置信息和內(nèi)容信息)，還編碼了預(yù)測(cè)詞本身信息；在圖4(b)的Query stream流中，預(yù)測(cè)x1編碼了其上下文信息，且只編碼了預(yù)測(cè)詞本身的位置信息。

圖5 雙流自注意機(jī)制實(shí)現(xiàn)原理圖

XLNet預(yù)訓(xùn)練模型更夠充分學(xué)習(xí)到上下文語(yǔ)義信息，XLNet-LSTM-Att模型在該層將輸入文本序列轉(zhuǎn)化為可被機(jī)器識(shí)別的詞向量表達(dá)。

1.2 LSTM層

LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)模型以RNN為基礎(chǔ)，加入了遺忘單元和記憶單元來解決梯度消失和梯度爆炸的問題。LSTM由遺忘門、輸入門和輸出門3個(gè)門結(jié)構(gòu)構(gòu)成。LSTM架構(gòu)如圖6所示。

ht-1為上一個(gè)單元輸出；ht為當(dāng)前單元輸出；xt為當(dāng)前輸入；σ為sigmod激活函數(shù)；ft為遺忘門輸出；it與的乘積為輸入門輸出；ot為輸出門輸出

各個(gè)門控單元計(jì)算公式如下。

(1)遺忘門決定上一時(shí)刻單元狀態(tài)中保留什么信息到當(dāng)前時(shí)刻Ct。

ft=σ(Wf[ht-1,xt]+bf)

(6)

(2)輸入門決定當(dāng)前時(shí)刻網(wǎng)絡(luò)的輸入xt有多少信息輸入到單元狀態(tài)Ct。

it=σ(Wi[ht-1,xt]+bi)

(7)

(8)

(9)

(3)輸出門控制單元狀態(tài)Ct輸出多少信息ht。

ot=σ(Wo[ht-1,xt]+bo)

(10)

ht=ottanh(Ct)

(11)

LSTM的實(shí)現(xiàn)首先經(jīng)過遺忘門，確定模型丟棄上一個(gè)單元狀態(tài)中的某些信息，根據(jù)ht-1和xt輸出一個(gè)0～1之間的數(shù)值，決定是否舍棄該信息。然后通過輸入門來確定有多少信息被添加到單元狀態(tài)，其中sigmoid層決定信息更新，tanh層創(chuàng)建一個(gè)備選的更新信息，從而更新單元狀態(tài)。最后輸出門確定單元狀態(tài)的輸出信息，sigmoid層決定輸出部分，再經(jīng)tanh處理得到值與sigmoid門的輸出相乘，得到最終輸出內(nèi)容。

LSTM通過特殊的門結(jié)構(gòu)可以解決學(xué)習(xí)能力喪失的問題，避免了當(dāng)預(yù)測(cè)信息與相關(guān)信息距離較大導(dǎo)致的信息丟失。XLNet-LSTM-Att模型在該層對(duì)XLNet層輸出的序列進(jìn)行深度學(xué)習(xí)，從而對(duì)特征向量做進(jìn)一步特征提取。

1.3 Attention層

Attention機(jī)制通過對(duì)輸入序列x中每個(gè)詞的重要程度賦予不同權(quán)重，使得模型能夠獲得更好的語(yǔ)義信息，提升模型效率。采用的注意力機(jī)原理實(shí)現(xiàn)公式為

eij=a(si-1,hj)

(12)

(13)

(14)

式中：i為時(shí)刻；j為序列中的第j個(gè)元素；si為i時(shí)刻的隱狀態(tài)；eij為一個(gè)對(duì)齊模型，用來計(jì)算i時(shí)刻受第j個(gè)元素的影響程度；hj為第j個(gè)元素的隱向量；αij為i時(shí)刻受第j個(gè)元素受關(guān)注的程度；Tx為序列的長(zhǎng)度；ci為經(jīng)權(quán)重化后輸出的向量。Attention機(jī)制架構(gòu)如圖7所示。

圖7 Attention機(jī)制架構(gòu)

對(duì)情感分析來說，句子中的每個(gè)詞對(duì)于其情感傾向的影響是不同的，為了擴(kuò)大關(guān)鍵部分的影響力，需要找到并突出其關(guān)鍵部分，因此在LSTM層上引入Attention機(jī)制來提取文本中對(duì)于情感傾向重要的部分，采用傳統(tǒng)的Attention機(jī)制Soft Attention來接收LSTM層的輸出作為輸入，根據(jù)不同特征向量的重要程度不同，對(duì)其賦予權(quán)重，最后經(jīng)過softmax歸一化處理得到加權(quán)的向量表示，至此上游任務(wù)完成。

2 仿真實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集信息

XLNet-LSTM-Att模型以keras架構(gòu)實(shí)現(xiàn)，通過Anaconda平臺(tái)采用Python語(yǔ)言進(jìn)行仿真驗(yàn)證。采用譚松波采集的酒店評(píng)論語(yǔ)料ChnSentiCorp-6000進(jìn)行仿真實(shí)驗(yàn)，該語(yǔ)料是一個(gè)正負(fù)類各3 000篇的平衡語(yǔ)料，實(shí)驗(yàn)將數(shù)據(jù)集劃分訓(xùn)練集和測(cè)試集規(guī)模如表1所示，取數(shù)據(jù)集前5 000條數(shù)據(jù)作為訓(xùn)練集，其余為測(cè)試集。語(yǔ)料示例如表2所示，其中標(biāo)簽0為負(fù)面評(píng)價(jià)，標(biāo)簽1為正面評(píng)價(jià)。

表1 數(shù)據(jù)集基本信息

表2 語(yǔ)料示例

2.2 相關(guān)參數(shù)設(shè)置

仿真實(shí)驗(yàn)將XLNet+LSTM+ATT模型與TextCnn、LSTM、BiLSTM、BERT、XLNet 5種常見的情感分析模型作對(duì)比試驗(yàn)，其中各模型參數(shù)設(shè)置如表3所示。

表3 模型參數(shù)設(shè)置情況

2.3 評(píng)價(jià)指標(biāo)

仿真實(shí)驗(yàn)效果由精準(zhǔn)率P、召回率R、F1值和AUC 4個(gè)評(píng)價(jià)指標(biāo)來評(píng)判，AUC即接受者操作特性曲線(receiver operating characteristic curve, ROC)下對(duì)應(yīng)的面積，通過預(yù)測(cè)概率計(jì)算，AUC值越大則分類器效果越好。精準(zhǔn)率、召回率、F1值計(jì)算公式為

(15)

(16)

(17)

式中：TP為把正類評(píng)價(jià)判斷為正類評(píng)價(jià)的數(shù)量；FP為把負(fù)類評(píng)價(jià)錯(cuò)判為正類評(píng)價(jià)的數(shù)量；FN為把正類評(píng)價(jià)錯(cuò)判為負(fù)類評(píng)價(jià)的數(shù)量。

2.4 結(jié)果分析

圖8為XLNet-LSTM-Att模型與5種其他模型進(jìn)行比較的結(jié)果，分別從精準(zhǔn)率P、召回率R和F1值評(píng)價(jià)模型優(yōu)劣。

圖8 6種模型測(cè)試結(jié)果

在對(duì)比實(shí)驗(yàn)中，提出的XLNet-LSTM-Att優(yōu)化模型其精準(zhǔn)率、召回率、F1值均優(yōu)于其他模型，其中，模型與BERT模型比較，精準(zhǔn)率提高0.48%，與XLNet模型比較，精準(zhǔn)率提高1.34%。

表4給出的是不同預(yù)訓(xùn)練模型的AUC值，目前常應(yīng)用于情感分析的模型在AUC值上均取得不錯(cuò)水平，且由于BERT和XLNet能真正識(shí)別上下文語(yǔ)義，其AUC值比以往模型更高，其中，提出的XLNet-LSTM-Att模型AUC值略微提高，也表明了所提出模型具有良好的性能和泛化能力。

表4 6種模型AUC值

3 結(jié)論

情感分析愈來愈成為政府和企業(yè)輿論把控的手段，通過對(duì)現(xiàn)有的預(yù)訓(xùn)練手段進(jìn)行分析，基于XLNet預(yù)訓(xùn)練模型能提取上下文語(yǔ)義優(yōu)勢(shì)，提出在該模型上增加LSTM層和Attention機(jī)制的優(yōu)化模型XLNet-LSTM-Att，該模型首先利用XLNet獲取包含上下文語(yǔ)義的特征向量，再利用LSTM網(wǎng)絡(luò)層進(jìn)一步提取上下文相關(guān)特征，最后引入Attention機(jī)制對(duì)提取出的特征分配權(quán)重，對(duì)文本進(jìn)行情感傾向性分析，經(jīng)過對(duì)比實(shí)驗(yàn)仿真，提出的模型在精確率等評(píng)價(jià)指標(biāo)均有一定程度的提升。下一步工作中，對(duì)情感細(xì)粒度劃分是今后的研究重點(diǎn)。