宋煥民，張?jiān)迫A

（浙江理工大學(xué) 信息學(xué)院，杭州 310018）

0 引言

方面級(jí)別的情感分類是情感分析中的一項(xiàng)細(xì)粒度任務(wù)［1］，它能夠提供更完整，更深入的結(jié)果。本文在方面級(jí)別的情感分類任務(wù)中發(fā)現(xiàn)，句子的情感極性與句子內(nèi)容以及所屬的方面高度相關(guān)。例如，句子“I liked the service and the staff，but not the food”中包含“service”和“food”兩個(gè)方面?！皊ervice”方面它是積極的，而在“food”方面則是消極的。同一個(gè)句子中不同方面的情感極性可能不同，甚至是相反的。神經(jīng)網(wǎng)絡(luò)已在各種NLP（Natural Language Processing）任務(wù)中達(dá)到了非常好的性能［2］。如機(jī)器翻譯、語義識(shí)別和智能問答等。但是，處理方面級(jí)別情感分類的神經(jīng)網(wǎng)絡(luò)模型還處在初期階段。Zhou等人［3］提出基于特定方面的關(guān)系分類模型；Liu 等人［4］利用區(qū)域卷積神經(jīng)網(wǎng)絡(luò)和分層長短期記憶網(wǎng)絡(luò)結(jié)合的深度分層網(wǎng)絡(luò)模型，處理方面情感分析任務(wù)。現(xiàn)有方法可以提取特定方面的隱藏特征信息，但每次只能處理句子的一個(gè)特定方面。對(duì)于包含多個(gè)不同方面的句子需要重復(fù)輸入，存在計(jì)算及訓(xùn)練時(shí)間過長的問題。

為了解決上述問題，本文提出基于BiGRU 結(jié)合方面注意力模塊［5］的情感分類模型。首先采用雙向GRU 神經(jīng)網(wǎng)絡(luò)編碼輸入，然后使用多個(gè)方面注意力模塊解碼獲得分類結(jié)果。解碼時(shí)，多個(gè)方面注意力模塊可以同時(shí)對(duì)句子中不同方面進(jìn)行情感分類，解決了傳統(tǒng)方法重復(fù)輸入的問題。將句子的輸入向量通過BiGRU 層編碼，縮短了模型的訓(xùn)練時(shí)間；BiGRU 層的輸出向量結(jié)合注意力機(jī)制，能充分提取句子的關(guān)鍵信息，取得更好的分類效果。

1 相關(guān)工作

機(jī)器學(xué)習(xí)的方法已較廣泛地被用于方面級(jí)情感分析任務(wù)。如Vo 等人［6］采用多種詞向量、情感詞典和池化函數(shù)，以自動(dòng)特征抽取方式，提取對(duì)應(yīng)方面的情感極性。Kirit 等人［7］采用情感詞典結(jié)合SVM 的方式，抽取方面級(jí)的情感極性。但是，機(jī)器學(xué)習(xí)方法基于復(fù)雜的特征工程，且依賴于大規(guī)模的文本預(yù)處理。

近年來，深度學(xué)習(xí)在自然語言處理任務(wù)中表現(xiàn)優(yōu)異，相比機(jī)器學(xué)習(xí)方法，極大的減輕了模型對(duì)特征工程的依賴，是目前處理情感分類問題的主流方法。如Tang 等人［8］提出的以目標(biāo)詞為中心，將文本拆分為兩部分，分別以正序和倒序輸入到LSTM 中的TD-LSTM 模型。相比傳統(tǒng)的LSTM 模型不僅效果更佳，且提出的TC-LSTM 模型在TD-LSTM 的基礎(chǔ)上，讓目標(biāo)詞與上下文之間關(guān)聯(lián)，能達(dá)到更好的效果。Bao 等人［9］提出了基于雙向LSTM 網(wǎng)絡(luò)和詞語位置信息權(quán)重建模模型，相較于傳統(tǒng)LSTM 模型及利用手工特征的機(jī)器學(xué)習(xí)算法效果更好。Wang 等人［10］提出基于注意力機(jī)制的LSTM-ATT 模型，該模型能夠根據(jù)不同方面關(guān)注句子的不同部分，在方面級(jí)情感分析任務(wù)中取得了較好的效果。Augenstein等人［11］提出的BiLSTM 網(wǎng)絡(luò)模型，能同時(shí)捕捉詞語的前后時(shí)序關(guān)系，獲得詞語間的前后依賴關(guān)系。劉洋等人［12］基于GRU 網(wǎng)絡(luò)對(duì)時(shí)間序列建模，有效提高了預(yù)測的準(zhǔn)確性；李驍?shù)热耍?3］采用BiGRU 網(wǎng)絡(luò)處理互聯(lián)網(wǎng)信息輸入序列，能快速準(zhǔn)確的提取信息；Rozentald 等人［14］提出了BiGRU 網(wǎng)絡(luò)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的模型，經(jīng)過多次池化操作再提取文本特征信息進(jìn)行文本分類。

綜上所述，相關(guān)工作大多集中在BiLSTM 或BiGRU 神經(jīng)網(wǎng)絡(luò)結(jié)合attention 模型的研究上，且在情感分類任務(wù)上有不錯(cuò)的表現(xiàn)。本文方法是以前人研究成果為基礎(chǔ)，采用結(jié)構(gòu)簡單、計(jì)算量少、所需存儲(chǔ)空間小的BiGRU 神經(jīng)網(wǎng)絡(luò)和方面注意力模塊混合的網(wǎng)絡(luò)模型，用于方面情感分析。該方法能使句子中的不同方面同時(shí)輸入模型并同時(shí)處理，為此采用了多個(gè)方面注意力模塊。每個(gè)方面注意力模塊具有獨(dú)立的方面信息及注意力參數(shù)，能對(duì)特定方面的特征信息進(jìn)行提取，能夠很好的識(shí)別不同方面的情感極性。

2 相關(guān)技術(shù)及BiGRU-AAM 模型

2.1 相關(guān)技術(shù)

2.1.1 GRU

由于LSTM 內(nèi)部結(jié)構(gòu)復(fù)雜計(jì)算量大，在模型訓(xùn)練上不僅需要的時(shí)間長，而且模型所需參數(shù)也較多。2014 年GRU 模型被提出，其模型結(jié)構(gòu)如圖1 所示。

圖1 GRU 神經(jīng)元結(jié)構(gòu)Fig.1 GRU neuron structure

GRU 模型結(jié)構(gòu)簡單，收斂性好；合并了LSTM的隱層狀態(tài)和單元狀態(tài)，需要更少的參數(shù)，且效果不低于LSTM 模型。該模型由兩個(gè)門控單元組成，一個(gè)門控控制更新，另一個(gè)門控控制重置。更新控制被帶入的前一時(shí)刻的狀態(tài)信息程度；重置控制前一時(shí)刻的隱層信息被忽略的程度，忽略的信息越多值越小。GRU 模型更新方式如下：

其中，zt為更新門控在t時(shí)刻的狀態(tài)；rt為重置門控在t時(shí)刻的狀態(tài)；ht＇是t時(shí)刻對(duì)應(yīng)的候選激活狀態(tài)；ht是t時(shí)刻的激活狀態(tài)；ht-1是（t -1）時(shí)刻的隱層狀態(tài)。

2.1.2 BiGRU

文本情感分類任務(wù)中，要求模型能充分學(xué)習(xí)文本上下文的信息，將前一時(shí)刻的狀態(tài)及后一時(shí)刻的狀態(tài)關(guān)聯(lián)，得出當(dāng)前時(shí)刻的狀態(tài)，以提取文本深層次的特征。BiGRU 是由兩個(gè)單向的、方向相反的GRU 構(gòu)成。每一時(shí)刻，兩個(gè)方向相反的GRU 同時(shí)處理輸入，共同決定當(dāng)前時(shí)刻的輸出。圖2 展示了一個(gè)沿著時(shí)間展開的BiGRU 網(wǎng)絡(luò)，其中每個(gè)時(shí)間步t的輸入為xt。

如圖2 所示，把BiGRU 看作兩個(gè)單向的GRU，則前向隱層狀態(tài)和反向隱層狀態(tài)加權(quán)求和，得到t時(shí)刻的隱層狀態(tài)。相關(guān)計(jì)算如式（5）-式（7）：

公式中的GRU（）函數(shù)表示對(duì)輸入的詞向量進(jìn)行非線性變換，對(duì)詞向量編碼，得到對(duì)應(yīng)的隱層狀態(tài)；wt是t時(shí)刻雙向GRU的前向隱層狀態(tài)的權(quán)重，vt是相應(yīng)的反向隱層狀態(tài)的權(quán)重；bt是t時(shí)刻隱層狀態(tài)的偏置。

圖2 BiGRU 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BiGRU neural network structure

2.2 BiGRU-AAM 模型

BiGRU -AAM 模型是一個(gè)編碼解碼器結(jié)構(gòu)，如圖3 所示。輸入層和BiGRU 層是編碼器部分，解碼器部分是由多個(gè)方面注意力模塊構(gòu)成。

該方法由如下幾步完成：

（1）輸入

對(duì)輸入進(jìn)行預(yù)處理，通過詞嵌入操作，用詞向量表示每個(gè)詞。

（2）BiGRU 層

BiGRU 神經(jīng)網(wǎng)絡(luò)從2 個(gè)方向?qū)斎脒M(jìn)行語義特征提取，得到每個(gè)時(shí)間步上的隱層狀態(tài)和句子的向量表示。

（3）方面注意力模塊

BiGRU 層輸出的隱層狀態(tài)結(jié)合方面信息，通過注意力操作，可以得到句子特定方面的向量表示。

（4）輸出

特定方面的向量表示在全連接層利用softmax函數(shù)處理，得到句子的最終分類結(jié)果。

本文的情感分類任務(wù)是判斷輸入句子中的各個(gè)方面的情感極性。每個(gè)方面信息投影為一個(gè)多維連續(xù)的值向量，第i個(gè)方面的方面向量可以表示為va，i∈Uk，k是方面向量的維度。

2.2.1 編碼器

編碼器部分提取句子的語義特征，包括向前和向后的兩個(gè)方向。通過BiGRU 網(wǎng)絡(luò)，獲取第t個(gè)時(shí)間步上的隱藏層狀態(tài)ht，對(duì)于長度為n的句子，隱藏層輸出矩陣為：H＝［h1，h2，…，hn］，即H∈Ud x n。其中，ht∈Ud，d為BiGRU 輸出維度。利用式（8）計(jì)算句子的整體向量vs。

2.2.2 解碼器

解碼器部分是多個(gè)方面注意力模塊，分別對(duì)應(yīng)數(shù)據(jù)集的不同方面。對(duì)于包含多個(gè)方面的句子，編碼獲得的輸出H分別送入對(duì)應(yīng)的方面注意力模塊中。方面向量va，i是每個(gè)方面注意力模塊中的方面信息。各個(gè)方面的注意力模塊獨(dú)立執(zhí)行操作，提取特定方面的隱藏特征。方面注意力模塊由注意力部分、概率部分及重構(gòu)部分組成，結(jié)構(gòu)如圖4 所示。

圖4 方面注意力模塊Fig.4 Aspect attention module

注意力部分將方面向量va，i與輸入H中的各個(gè)隱層狀態(tài)拼接，然后執(zhí)行注意力操作。加權(quán)平均獲的特定方面文本的向量用vc，i表示，計(jì)算公式如下：

其中，i表示第i個(gè)方面注意力模塊；Wa，i∈Ud + k表示注意力的權(quán)重矩陣；b a，i∈U表示注意力的偏置。

概率部分得到各個(gè)情感極性的分類概率。特定方面文本的向量vc，i經(jīng)過全連接層，由softmax 函數(shù)計(jì)算輸入樣本在每個(gè)分類上的概率并輸出。計(jì)算公式如下：

其中，pi＝［p i，1，pi，2，…，p i，C］；Wp，i∈UC×d是全連接層的權(quán)重矩陣；bp，i∈UC是全連接層的偏置；c是類別數(shù)。

重構(gòu)部分對(duì)有關(guān)特定方面文本的向量vc，i進(jìn)行重構(gòu)，得到句子整體向量vs在特定方面的情感分類的新向量。通過分類概率對(duì)vc，i重構(gòu)，可以獲得多個(gè)重構(gòu)文本，重構(gòu)文本的向量ri＝［ri，1，ri，2，…，ri，C］，計(jì)算公式如下：

其中，ri，j∈Ud，j＝1，2，…，c是類別數(shù)。

2.3 模型訓(xùn)練

BiGRU-AAM 網(wǎng)絡(luò)模型的訓(xùn)練采用Pytorch 深度學(xué)習(xí)框架，編程語言為Python3.6；運(yùn)行環(huán)境為Pycharm Ubuntu16 系統(tǒng)，內(nèi)存大小為16GB。實(shí)驗(yàn)?zāi)Ｐ偷挠?xùn)練使用反向傳播算法，利用式（12）中的損失函數(shù)優(yōu)化模型。該損失函數(shù)由2 個(gè)折頁損失函數(shù)組成。L（θ）函數(shù)讓每個(gè)方面注意力模塊輸出中，真實(shí)情感極性概率盡可能大，且讓其它類別的概率盡可能小；J（θ）函數(shù)使每個(gè)方面注意力模塊輸出的重構(gòu)文本的向量表示中，真實(shí)情感極性的向量表示與句子整體向量表示vs趨近。計(jì)算過程如下：

其中，m表示第m個(gè)輸入樣本，ym，i表示第m個(gè)輸入樣本在第i個(gè)方面的真實(shí)情感極性。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

由于方面情感分類任務(wù)需要判斷其不同的方面的情感極性，實(shí)驗(yàn)采用SemEval2014 任務(wù)4 中的restaurants 數(shù)據(jù)集進(jìn)行。在restaurant 數(shù)據(jù)集中，包括5 個(gè)方面和3 種情感極性，數(shù)據(jù)中每個(gè)句子涉及一個(gè)或多個(gè)不同方面。實(shí)驗(yàn)數(shù)據(jù)詳情見表1。

表1 restaurants 數(shù)據(jù)集Tab.1 Data set

3.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)中，詞向量采用word2vec 技術(shù)［15］進(jìn)行初始化，單詞向量的維數(shù)、方面嵌入及隱藏層大小均為300。采用均勻分布U（-0.01，0.01）進(jìn)行采樣，來初始化其他參數(shù)。訓(xùn)練的更新規(guī)則采用Kingam 等人［16］提出的Adam 規(guī)則。訓(xùn)練過程中使用dropout機(jī)制防止數(shù)據(jù)的過擬合。批處理大小為25，初始學(xué)習(xí)率為0.01。

3.3 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文方法的有效性，將本文提出的BiGRU -AAM 模型與Bi-LSTM、ATAE-LSTM 和BLSTM-AAM 等經(jīng)典情感分析模型，在restaurant 數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果見表2。

表2 不同模型的實(shí)驗(yàn)結(jié)果Tab.2 Experimental results of different models

實(shí)驗(yàn)結(jié)果對(duì)比可以看出，加入方面信息或使用注意力機(jī)制，能明顯改善分類效果。體現(xiàn)在評(píng)價(jià)指標(biāo)性能方面，就是提高準(zhǔn)確率、查全率、F1 值。但是，由于attention 層突出信息的功能是通過不斷加權(quán)計(jì)算進(jìn)行的，因此增加了時(shí)間代價(jià)。BLSTMAAM 模型的時(shí)間代價(jià)相對(duì)較高。因BLSTM 神經(jīng)網(wǎng)絡(luò)計(jì)算相對(duì)復(fù)雜，增加了計(jì)算時(shí)間，并且attention 層在突出重點(diǎn)信息的同時(shí)也增加了加權(quán)計(jì)算時(shí)間。BiGRU-AAM 模型在實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)方面優(yōu)于BLSTM-AAM，這兩個(gè)實(shí)驗(yàn)?zāi)Ｐ途Y(jié)合了attention層，且具有相同的模型結(jié)構(gòu)；不同的是前一個(gè)模型第一層采用BiGRU 神經(jīng)網(wǎng)絡(luò)，另一個(gè)采用BiLSTM神經(jīng)網(wǎng)絡(luò)。由實(shí)驗(yàn)結(jié)果可以看出，由于BiGRU 神經(jīng)網(wǎng)絡(luò)比BiLSTM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，減少了計(jì)算及參數(shù)，使之達(dá)到更快的收斂速度。在時(shí)間代價(jià)指標(biāo)上，從F1 指標(biāo)上可以發(fā)現(xiàn)，BiGRU 與Attention 的結(jié)合更有效，在方面級(jí)情感分類任務(wù)中效果更優(yōu)。

4 結(jié)束語

本文提出一種基于BiGRU 與方面注意力模塊的情感分類方法，與廣泛使用的BiLSTM 網(wǎng)絡(luò)結(jié)合attention 的混合模型相比，本文方法能夠提高方面級(jí)情感分類的準(zhǔn)確率并降低損失率，取得很好的F1評(píng)價(jià)指標(biāo)，達(dá)到了較好的分類效果，有效地降低了模型的訓(xùn)練時(shí)間。實(shí)驗(yàn)結(jié)果表明BiGRU 結(jié)合attention的有效性以及本文方法在方面級(jí)情感分類的有效性。