陳珊珊，姚攀

（四川大學(xué)計算機學(xué)院，成都610065）

0 引言

當(dāng)今是一個信息豐富，網(wǎng)絡(luò)發(fā)達(dá)的社會，互聯(lián)網(wǎng)為人們的工作生活帶來極大便利，人們利用社交媒體了解時事、分享經(jīng)歷、表達(dá)情緒，網(wǎng)絡(luò)空間中出現(xiàn)了大量包含情緒的文本數(shù)據(jù)，例如產(chǎn)品評論或者對熱點事件的討論等。從海量文本中識別和理解情緒成為自然語言處理領(lǐng)域中重要的研究方向之一。早期，對情緒分析的研究大多數(shù)集中在情緒分類、情緒識別等任務(wù)[1]。但是，在實際生活中，企業(yè)組織或服務(wù)人員有時更關(guān)心文本中表達(dá)某種情緒背后的原因。他們可以根據(jù)消費者產(chǎn)生情感的原因，有效地提高產(chǎn)品的性能或服務(wù)質(zhì)量。例如，某顧客發(fā)布一條評論，“旅店的無線網(wǎng)絡(luò)極其差勁，嚴(yán)重影響我工作，太讓人生氣了，下次不會再來了。”酒店經(jīng)理更想知道顧客為什么不喜歡他們的酒店，而不是簡單的情緒分類。在確定情緒產(chǎn)生的原因后，他們可以改善無線網(wǎng)絡(luò)環(huán)境，吸引更多的客人，這顯然比單純了解顧客是否滿意更加具有實踐上的指導(dǎo)意義，所以對文本情緒原因檢測的研究具有重大的商業(yè)應(yīng)用價值。相比與一般情緒分類任務(wù)，情緒原因檢測需要更深層次的理解情緒與情緒原因間的關(guān)系，具有更高的難度。

本文結(jié)構(gòu)分為三個部分，第一節(jié)介紹文本情緒原因檢測的任務(wù)描述和主要方法；第二節(jié)介紹相關(guān)語料資源的基本情況；第三節(jié)總結(jié)和展望。

1 文本情緒原因檢測研究現(xiàn)狀

1.1 任務(wù)描述

情緒原因檢測任務(wù)是指識別文本中觸發(fā)某一情緒的原因[1]，具體做法是將文本分割為多個子句，在已知情緒表達(dá)的情況下，識別文本中的子句是否包含情緒原因。如例句1，已知“傷心”的情緒，識別目標(biāo)是原因所在子句“卻被告知丈夫殉職的噩耗”。

1.2 規(guī)則方法

文獻(xiàn)[1]首次提出情緒原因檢測任務(wù)，基于Sinica語料庫構(gòu)建了一個較小的情緒原因數(shù)據(jù)集[1]，通過觀察、分析數(shù)據(jù)集，總結(jié)出與文本情緒原因有關(guān)的常見使役動詞、原因連詞、感知動詞、連詞、其他線索詞等，歸納了七組語言學(xué)線索，并構(gòu)建相應(yīng)的規(guī)則系統(tǒng)。隨著社交媒體的發(fā)展，情緒原因檢測在微博文本中有了較大的需求。由于微博文本語言表達(dá)口語化和生活化，多為短句，并含有較多表情符號，與普通新聞文本存在差異，解決新聞文本的規(guī)則并不適用于微博本文，文獻(xiàn)[2]在文獻(xiàn)[1]提出的規(guī)則基礎(chǔ)上，針對微博文本的特點重新定義了適用于微博文本的規(guī)則。文獻(xiàn)[3]提出從情緒原因到情緒表達(dá)可以看作一個認(rèn)知的過程]，研究產(chǎn)生情緒的常識知識有助于情緒原因檢測，文中搜集了情緒原因詞對，構(gòu)建情緒——情緒原因常識知識庫，并利用其他情緒表達(dá)知識庫對其進(jìn)行擴展，用基于規(guī)則的方法實現(xiàn)情緒原因檢測。實驗顯示常識庫可以作為基于規(guī)則模型的情緒原因檢測方法的有效補充，提高情緒原因檢測的效果。

1.3 機器學(xué)習(xí)方法

基于規(guī)則的方法不能覆蓋所有語言規(guī)則，存在規(guī)則繁多、覆蓋率低的缺點；針對不同風(fēng)格的文本，需要重新構(gòu)建相應(yīng)規(guī)則。與傳統(tǒng)的基于規(guī)則方法相比，基于統(tǒng)計機器學(xué)習(xí)的方法不需要更新大量的規(guī)則，所以研究人員選擇機器學(xué)習(xí)的方法來解決文本情緒原因檢測問題。

基于機器學(xué)習(xí)的方法又可以分為分類方法和序列標(biāo)注方法。采用分類的方法，文獻(xiàn)[4]將情緒原因檢測任務(wù)看作多標(biāo)簽分類問題，并泛化文獻(xiàn)[1]提出的規(guī)則，設(shè)計了基于語言學(xué)規(guī)則的特征和情緒原因檢測的通用特征。文獻(xiàn)[5]將情緒原因檢測看作二分類問題，將人工構(gòu)建的規(guī)則，候選原因子句與情緒表達(dá)的位置關(guān)系，情緒原因的詞性標(biāo)注作為特征編碼候選原因子句，用SVM對子句進(jìn)行分類。文獻(xiàn)[6]利用卷積核的學(xué)習(xí)方法訓(xùn)練多核分類器，用于識別情緒原因事件，文中定義了一個7元組描述情緒原因事件，使用語法結(jié)構(gòu)來獲取情緒原因的結(jié)構(gòu)特征和詞匯特征。

分類模型將文本中每個子句單獨對待，無法捕捉子句標(biāo)簽之間的關(guān)系。文獻(xiàn)[7]將情緒原因檢測任務(wù)看作序列標(biāo)注問題，文中分析了詞性特征，情緒表達(dá)與情緒原因之間的相對距離特征，語言學(xué)規(guī)則特征，采用條件隨機場算法（CRF）對特征序列進(jìn)行學(xué)習(xí)和標(biāo)注。序列標(biāo)注模型可以克服分類模型無法利用文本子句間關(guān)系的缺點，同時模型融入詞法、相對距離和語法規(guī)則等特征，提高模型識別效果。

1.4 神經(jīng)網(wǎng)絡(luò)方法

情緒表達(dá)與情緒原因的關(guān)系通常是語義相關(guān)的，基于規(guī)則和機器學(xué)習(xí)的方法都只是在對于情緒原因子句上的特征進(jìn)行分析和提取，少有考慮到情緒表達(dá)子句與原因子句間的語義關(guān)系。由于神經(jīng)網(wǎng)絡(luò)模型自動學(xué)習(xí)特征的優(yōu)勢，越來越多的研究人員使用神經(jīng)網(wǎng)絡(luò)模型來解決情緒原因檢測問題。

（1）考慮情緒表達(dá)子句與原因子句間的關(guān)系

文獻(xiàn)[8]從問答系統(tǒng)的角度來解決文本情緒原因檢測問題，研究結(jié)合注意力機制的記憶網(wǎng)絡(luò)[8]，建模文本中情緒表達(dá)與情緒原因之間的相關(guān)關(guān)系。將文本分成多個子句，模型接受候選情緒原因子句和情緒表達(dá)關(guān)鍵詞兩個輸入，通過注意力機制建模兩個輸入的關(guān)系，以此判斷候選情緒原因子句是否為情緒原因子句。該方法為后續(xù)的研究者提供新的研究思路與方向。文獻(xiàn)[9]提出將情緒表達(dá)關(guān)鍵詞作為查詢輸入，這一做法忽略了情緒表達(dá)關(guān)鍵詞的上下文所包含的信息。例如例句2，其中情緒表達(dá)關(guān)鍵詞為“沮喪”，情緒原因子句為子句④“馬刺隊的鄧肯也宣布退役”：

例句2：

①在2016年，

②湖人隊的科比宣布退役，

③同一年，

④馬刺隊的鄧肯也宣布退役。

⑤ 馬刺隊的隊員和鄧肯的粉絲都感到十分沮喪。

若將“沮喪”作為查詢輸入，文本中每個子句作為被查詢內(nèi)容，那么子句②與子句④都是將是滿足查詢輸入的答案。然而，顯然子句②雖然滿足“沮喪”，但它卻并不是正確的查詢結(jié)果。針對該問題，文獻(xiàn)[9]提出應(yīng)當(dāng)將情緒表達(dá)關(guān)鍵詞所在子句中的其他詞的語義也納入考慮，即將整個情緒表達(dá)子句作為查詢輸入。在此例子中查詢輸入就由“沮喪”變?yōu)榱苏麄€子句⑤?？紤]了情緒表達(dá)關(guān)鍵詞的上下文后，對情緒原因檢測的識別效果有了進(jìn)一步提升。

（2）考慮文檔中各子句間的關(guān)系

文獻(xiàn)[10]提出了使用整個文本和情緒表達(dá)作為輸入，考慮文本中各個候選原因子句間的語義影響，使用注意力機制在詞語級、短語級層次上對候選原因子句與情緒表達(dá)間的對應(yīng)關(guān)系建模，再在句子級融合子句間的上下文信息，通過這種多層級網(wǎng)絡(luò)模型來確定情緒原因子句。情緒原因檢測任務(wù)除了考慮情緒表達(dá)與情緒原因的關(guān)系之外，子句與情緒表達(dá)的相對位置關(guān)系和子句間的標(biāo)簽關(guān)系[11]也是有助于情緒原因檢測的重要特征。在只考慮情緒表達(dá)子句與原因子句間的關(guān)系的建模方式中，將文本分成多個子句分別與情緒表達(dá)所在子句配對，這種建模方式可能導(dǎo)致一個文檔中沒有子句被預(yù)測為原因子句，或者太多子句被預(yù)測為原因子句。為了解決該問題，文獻(xiàn)[11]將情緒原因檢測任務(wù)轉(zhuǎn)化為重新排序后的子句預(yù)測問題，將原始文本中的子句按照距離情緒表達(dá)子句的相對距離，按其絕對值大小升序排序，預(yù)測每個子句是否為情緒原因子句，將子句的預(yù)測結(jié)果作為特征，用于預(yù)測下一個子句是否為情緒原因子句。文獻(xiàn)[12]提出一種RNN-Trans?former層級網(wǎng)絡(luò)，對整篇文檔采用Transformer編碼子句的方法進(jìn)行情緒原因檢測，使用Transformer的編碼方式能充分利用整篇文檔的信息，更有效的編碼子句間的相互作用關(guān)系。實驗結(jié)果證明了使用Transformer對多個子句的編碼效果使用RNN編碼子句間關(guān)系的效果更好[12]。

2 語料資源

目前，仍然缺少情緒原因檢測的中文微博數(shù)據(jù)集。對于中文微博的情緒原因檢測，大都是研究人員各自構(gòu)建數(shù)據(jù)集。文獻(xiàn)[6]針對表述規(guī)范的文本，公開了基于新聞文本構(gòu)建的情緒原因檢測數(shù)據(jù)集，彌補了之前沒有公開數(shù)據(jù)集的空白，進(jìn)而推進(jìn)了情緒原因檢測任務(wù)的發(fā)展。目前，該數(shù)據(jù)集已經(jīng)成為情緒原因檢測任務(wù)的基準(zhǔn)數(shù)據(jù)集。該數(shù)據(jù)集包含了喜（Happi?ness）、悲（Sadness）、懼（Fear）、怒（Anger）、惡（Disgust）、驚（Surprise）六種情緒[6]；包含2105篇文檔，11799個子句，其中包括2167個情緒原因子句，情緒原因數(shù)量的分布情況如表1；原因子句與情緒表達(dá)子句的距離分布如表2，“0”表示原因子句與情緒表達(dá)在同一子句，“-”表示原因子句在情緒表達(dá)子句左邊，“+”表示原因子句在情緒表達(dá)子句右邊，經(jīng)過分析可發(fā)現(xiàn)大部分情緒原因子句在情緒表達(dá)子句的前一個子句或者同一子句。

表1 情緒原因數(shù)量的分布情況

表2原因子句與情緒表達(dá)子句的距離分布情況

3 結(jié)語

本文對情緒原因檢測的研究進(jìn)展進(jìn)行了介紹，簡單介紹了文本情緒原因檢測任務(wù)和相關(guān)數(shù)據(jù)集的基本情況，重點介紹了解決情緒原因檢測問題的三大主要方法，分析了這幾類方法的改進(jìn)思想。情緒原因檢測任務(wù)將有助于情緒的識別，問答系統(tǒng)的發(fā)展，增強人機交互體驗，具有較高的研究價值和應(yīng)用價值。情緒原因檢測是情緒分析領(lǐng)域一個新的研究方向，在實驗效果上仍然有很大的提升空間。目前仍存在缺少公開中文微博數(shù)據(jù)集以及已公開數(shù)據(jù)量較少的問題，這給該任務(wù)提出新的挑戰(zhàn)，需要進(jìn)一步探索新的解決方法。