李明超，張壽明

（昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500）

0 引言

文本情感分析是自然語(yǔ)言處理領(lǐng)域（Natural Language Processing，NLP）一個(gè)重要的研究方向，是利用計(jì)算機(jī)手段對(duì)帶有情感傾向的文本進(jìn)行處理、分析、歸納及推斷的過(guò)程。

在基于深度學(xué)習(xí)的文本情感分析研究方向上，KALCHBRENNER等人[1]提出了第一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的TC模型，該模型使用動(dòng)態(tài)-max-pooling，稱為動(dòng)態(tài)CNN（DCNN）；此后又出現(xiàn)了循環(huán)神經(jīng)網(wǎng)絡(luò)[2]（Rerrent Neural Network，RNN）及其各種變體，如長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）和門控循環(huán)網(wǎng)絡(luò)（Gated Recurrent neural network，GRU）[3]，都是旨在更好地捕獲長(zhǎng)期依賴關(guān)系。隨著訓(xùn)練模型復(fù)雜度不斷提升和模型處理語(yǔ)料日益龐大，研究人員提出了預(yù)訓(xùn)練模型（Bidirectional Encoder Representations from Transformers，BERT）[4]。 通過(guò)大量基準(zhǔn)語(yǔ)料對(duì)模型預(yù)訓(xùn)練，使模型能夠?qū)o定語(yǔ)句中的詞語(yǔ)嵌入更豐富語(yǔ)義，這些嵌入將被應(yīng)用到相關(guān)模型后續(xù)任務(wù)中，極大地改善模型情感分 析性能。

但是，在以上的單一神經(jīng)網(wǎng)絡(luò)模型中依然存在各種問(wèn)題：卷積神經(jīng)網(wǎng)絡(luò)無(wú)法提取文本時(shí)序特征，而LSTM和GRU雖能提取到時(shí)序特征，但只能利用到當(dāng)前和過(guò)去信息，不能利用未來(lái)信息；另外，BERT模型的輸入長(zhǎng)度是固定的，被截取的超出部分可能包含有價(jià)值信息，因此還有提升空間。

針對(duì)上述問(wèn)題，本文提出Bert-BiR-A模型架構(gòu)，利用訓(xùn)練集對(duì)BERT模型進(jìn)行微調(diào)，然后利用預(yù)訓(xùn)練BERT模型對(duì)文本序列進(jìn)行詞嵌入，使詞語(yǔ)獲得更豐富表征；利用雙向GRU對(duì)文本進(jìn)行雙向特征提取，并引入注意力機(jī)制對(duì)提取特征賦予不同權(quán)重，給予關(guān)鍵信息更高關(guān)注度，更有利于情感分析，提取語(yǔ)句深層語(yǔ)義；為驗(yàn)證不同BERT模型對(duì)整個(gè)模型框架的影響，設(shè)計(jì)了6組模型進(jìn)行試驗(yàn)獲得最優(yōu)模型。

1 Bert-BiR-A模型構(gòu)建

Bert-BiR-A模型結(jié)構(gòu)包括BERT預(yù)訓(xùn)練層、雙向循環(huán)網(wǎng)絡(luò)層、注意力層以及輸出層4個(gè)信息處理層，如圖1所示。

圖1 Bert-BiR-A模型結(jié)構(gòu)圖

1.1 訓(xùn)練BERT詞向量

輸入詞向量序列記為X={w1,w2,…,wm}，將X輸入BERT模型中進(jìn)行訓(xùn)練，最終獲得相應(yīng)詞向量表示，如式（1）所示：

式中：X'為BERT詞嵌入后的向量，W'為轉(zhuǎn)置矩陣，b'為偏置值。

1.2 BIGRU層特征提取

對(duì)于任意一條給定的評(píng)論S={t1,t2,…,ti,ti+1,…,tm}，經(jīng)過(guò)BERT網(wǎng)絡(luò)模型訓(xùn)練后轉(zhuǎn)化為序列X'。BIGRU網(wǎng)絡(luò)使用了雙向GRU模型，其中一路GRU向前傳播建模，一路向后傳播建模，使得每個(gè)詞對(duì)應(yīng)的輸出能夠同時(shí)提取到基于上下文兩個(gè)方向的信息，獲得信息更充分。在進(jìn)行建模的過(guò)程中，前向GRU與后向GRU參數(shù)不進(jìn)行共享，兩者的表 達(dá)式為：

最后將每個(gè)詞向量對(duì)應(yīng)的前向GRU輸出值和后向GRU輸出值進(jìn)行拼接，結(jié)果即為BIGRU網(wǎng)絡(luò)的模型的輸出，如式（4）所示：

1.3 注意力目標(biāo)詞向量

將從BiGRU層的輸出連接到Attention層，然后加入注意力機(jī)制算出其注意力值。從BiGRU層輸出的句子為S={t1,t2,…,ti,ti+1,…,tm}，計(jì)算目標(biāo)詞向量t2注意力，通過(guò)Attention層將t2訓(xùn)練出其基于注意力機(jī)制的序列t2'。然后可以按照對(duì)t2的計(jì)算方式推出整個(gè)文本序列的詞向量訓(xùn)練。通過(guò)分析詞與詞之間的相關(guān)性及詞與序列之間的重要程度，利用注意力機(jī)制算出其權(quán)重值，構(gòu)建出上下文向量，最后將構(gòu)建出的向量連接到對(duì)應(yīng)詞上。訓(xùn)練詞向量的具體步驟如式（5）、式（6）所示：

式中：tju和tjv代表第j條語(yǔ)句中任意兩個(gè)不同的詞的向量，αju,jv代表權(quán)重系數(shù)。

對(duì)輸入詞矩陣進(jìn)行多次遍歷以上計(jì)算步驟后，計(jì)算出每個(gè)詞所對(duì)應(yīng)的權(quán)重，最終生成權(quán)重矩陣A，最后將權(quán)重矩陣與后續(xù)BIGRU網(wǎng)絡(luò)的輸出進(jìn)行 拼接。

1.4 輸出層

將經(jīng)過(guò)注意力機(jī)制的得到的輸出Ai連接到輸出層，然后送入softmax分類器中進(jìn)行感情極性分類，最終的分類結(jié)果如式（7）所示：

式中：W0為輸出層權(quán)重矩陣，bo為偏置值。

利用交叉熵定義損失函數(shù)如式（8）所示：

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)設(shè)置

為了能夠?qū)Ρ菊滤岢龅哪Ｐ虰ERT-A-BIR進(jìn)行更好的評(píng)估，本章選用了兩個(gè)在文本情感分析領(lǐng)域廣泛應(yīng)用的公開(kāi)數(shù)據(jù)集IMDB和SST-5。其中，IMDB數(shù)據(jù)集主要用于二分類，情感極性分為積極和消極，訓(xùn)練集包括25000條評(píng)論，測(cè)試集包含 25000條評(píng)論；SST-5數(shù)據(jù)集主要應(yīng)用于情感分析五分類，情感極性分為非常消極、消極、中立、積極以及非常積極，訓(xùn)練集包含157918條評(píng)論，測(cè)試集包含2210條評(píng)論。

2.2 評(píng)估指標(biāo)

用被分對(duì)的樣本數(shù)除以總的樣本數(shù)得出正確率（Accuarcy）。在通常情況下，正確率越高，代表分類效果越好，其計(jì)算方法如式（9）所示：

式中：FP是指實(shí)際積極的樣本被判別為消極的樣本；TP是指實(shí)際積極的樣本被判定積極樣本；TN是指實(shí)際消極的樣本被判別為消極的樣本；FN是指實(shí)際消極樣本被判別為消極的樣本。

2.3 對(duì)比實(shí)驗(yàn)

模型分別在數(shù)據(jù)集IMDB和數(shù)據(jù)集SST-5上進(jìn)行情感分析任務(wù)，同時(shí)設(shè)置多組對(duì)照實(shí)驗(yàn)。

2.3.1 分類模型對(duì)比實(shí)驗(yàn)

不同模型的預(yù)測(cè)準(zhǔn)確率結(jié)果如表1所示。由表1可以看出，在IMDB數(shù)據(jù)集上，單一神經(jīng)網(wǎng)絡(luò)中CNN的準(zhǔn)確率最高，為87.6%，但是本文提出的BERT-A-BiR模型均優(yōu)于其他模型，且相對(duì)CNN提升了7.1個(gè)百分點(diǎn)；在SST-5數(shù)據(jù)集上進(jìn)行單句預(yù)測(cè)，CNN相對(duì)BiLSTM準(zhǔn)確率降低1.1個(gè)百分點(diǎn)，但本文提出的模型與BiLSTM相比提升了1.8個(gè)百分點(diǎn)；BERT-A-BiR與BERT-BiR相比在兩個(gè)數(shù)據(jù)集上準(zhǔn)確率都更高，說(shuō)明了引入注意力機(jī)制的有效性。整體而言，本文的模型在了IMDB和SST-5數(shù)據(jù)集上都取得了不俗的表現(xiàn)。

表1 不同模型的預(yù)測(cè)準(zhǔn)確率

2.3.2 不同BERT對(duì)比實(shí)驗(yàn)

為了提升整體模型性能，研究不同BERT對(duì)本章提出的BERT-A-BiR模型架構(gòu)的影響，在模型的BERT模塊分別采用BERT_base、RoBERTa[5]及DistillBERT[6]三種BERT，同時(shí)雙向循環(huán)網(wǎng)絡(luò)模塊（BiR）采用了BiGRU和BiLSTM兩種循環(huán)網(wǎng)絡(luò)的變體模型，共設(shè)計(jì)了6個(gè)模型，相關(guān)實(shí)驗(yàn)組的結(jié)果如表2所示。

表2 6組不同模型在IMDB和SST-5數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

對(duì)比1、2、3組實(shí)驗(yàn)可以發(fā)現(xiàn)，當(dāng)BiR模塊同為BiLSTM時(shí)，RoBERTa在兩個(gè)數(shù)據(jù)集上表現(xiàn)最優(yōu)；同理，對(duì)比4、5、6實(shí)驗(yàn)組可以發(fā)現(xiàn)，當(dāng)BiR模塊同為BiGRU時(shí)，RoBERTa在兩個(gè)數(shù)據(jù)集上表現(xiàn)最優(yōu)，故在BERT模塊上RoBERTa最優(yōu)。通過(guò)對(duì)比1和4、2和5、3和6可以發(fā)現(xiàn)，當(dāng)BERT相同時(shí)，整體上而言，BiGRU更優(yōu)，最終最優(yōu)模型為RoBERTa-A-BiR_（BiGRU），在SST-5上取得了53.30%的準(zhǔn)確率，在IMDB上取得93.66%的成績(jī)。

2.3.3 微調(diào)實(shí)驗(yàn)

為了提升BERT模型的效果，利用訓(xùn)練集Dtrain對(duì)BERTbase進(jìn)行微調(diào)。為了驗(yàn)證微調(diào)的效果，首先利用Dtest對(duì)沒(méi)有經(jīng)過(guò)微調(diào)的BERTbase進(jìn)行測(cè)試，BERTbase經(jīng)過(guò)微調(diào)后再次使用Dtest對(duì)其測(cè)試，實(shí)驗(yàn)結(jié)果如圖2所示：

圖2 BERTbase在IMDB數(shù)據(jù)集上的微調(diào)效果

在對(duì)IMDB影評(píng)數(shù)據(jù)集上進(jìn)行情感二分類的過(guò)程中，對(duì)BERTbase進(jìn)行微調(diào)后的準(zhǔn)確率、召回率和F1值比沒(méi)有微調(diào)前分別高出0.54、0.39和0.46。結(jié)合BERT預(yù)訓(xùn)練后在兩個(gè)數(shù)據(jù)上的準(zhǔn)確率、召回率及F1值可以看出，對(duì)BERT進(jìn)行微調(diào)后的效果都要優(yōu)于未對(duì)BERT進(jìn)行微調(diào)的效果。這說(shuō)明對(duì)BERT進(jìn)行微調(diào)應(yīng)用于特定任務(wù)，要優(yōu)于不進(jìn)行微調(diào)的BERT模型，證明了BERT微調(diào)的有效性。

3 結(jié)語(yǔ)

本文針對(duì)文本情感分析任務(wù)提出了BERT-ABiR模型架構(gòu)，通過(guò)對(duì)BERT微調(diào)后利用其預(yù)訓(xùn)練模型進(jìn)行詞嵌入，然后通過(guò)雙向RNN變體LSTM或GRU進(jìn)行特征提取，此后引入注意力機(jī)制讓模型對(duì)與當(dāng)前任務(wù)相關(guān)的信息賦予更多關(guān)注度，提升模型情感分析能力。在不同數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與其他對(duì)照組相比，提出的模型準(zhǔn)確率最高，證明了該模型的可行性。同時(shí)，為進(jìn)一步提升模型架構(gòu)性能，基于不同BERT對(duì)模型框架的影響設(shè)計(jì)了6組模型，通過(guò)實(shí)驗(yàn)選出最優(yōu)模型。最終在IMDB數(shù)據(jù)集上取得了93.66%的成績(jī)，在SST-5數(shù)據(jù)集上取得了53.3%的成績(jī)。模型還有一定的優(yōu)化空間，將在未來(lái)工作中進(jìn)一步優(yōu)化。