鄭陽雨，蔣洪偉

(北京信息科技大學(xué) 信息管理學(xué)院，北京100192)

0 引言

近年來，很多人在各種電商網(wǎng)站的評論區(qū)及其他社交平臺上發(fā)布評論來表達自己的情感或觀點，社交平臺文本數(shù)據(jù)呈指數(shù)級增長。對這些海量數(shù)據(jù)進行情感分析有助于獲取用戶的態(tài)度信息，了解用戶的真正需求，幫助企業(yè)做出判斷和決策。方面級情感分析就是要獲取商品各方面(方面表示商品的屬性或特征)的情感[1]。

傳統(tǒng)機器學(xué)習(xí)方法通常通過構(gòu)建情感詞典或情感特征，再使用樸素貝葉斯模型(naive Bayesian model，NBM)、支持向量機(support vector machine，SVM)等分類器進行情感分類[2-3]。但是人工構(gòu)建特征工程耗費大量的人力，有時需要結(jié)合語法分析等外部知識，模型的靈活性較差。

近年來興起的深度學(xué)習(xí)方法能夠自動學(xué)習(xí)方面和上下文的低維表示，較好地彌補了機器學(xué)習(xí)方法的缺陷。其中深度學(xué)習(xí)方法使用的預(yù)訓(xùn)練語言模型將自然語言用向量表示，通過對向量的操作來學(xué)習(xí)自然語言的交互特性。在最具影響力的語言模型中，Devlin等[4]提出的基于轉(zhuǎn)換器的雙向編碼器表示(bidirectional encoder representations from transformers，BERT)預(yù)訓(xùn)練模型使用雙層的Transformer結(jié)構(gòu)在大型語料庫上訓(xùn)練，摒棄了卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的結(jié)構(gòu)，取得了突破性進展。Zeng等[5]認(rèn)為方面的情感極性與相近的上下文更相關(guān)，提出了局部上下文關(guān)注(local context focus，LCF)機制，能更準(zhǔn)確地預(yù)測方面的情感。Tang等[6]將目標(biāo)方面和上下文綜合考慮完成對句子的語義建模。Wei Xue等[7]基于CNN和門控機制提出的基于方面詞嵌入的門控卷積網(wǎng)絡(luò)(gated convolutional network with aspect embedding,GCAE)模型易于并行訓(xùn)練。Zhang等[8]在句子的依存關(guān)系樹上建立神經(jīng)網(wǎng)絡(luò)，來利用句法信息和單詞的長距離依賴關(guān)系。

許多研究將注意力機制[9]和神經(jīng)網(wǎng)絡(luò)結(jié)合，關(guān)注句子中更重要的部分。梁斌等[10]將CNN和多種注意力機制結(jié)合，與單純的CNN、基于單注意力機制的CNN和基于注意力機制的長短時記憶(long short-term memory，LSTM)網(wǎng)絡(luò)模型相比，取得更好的情感分類效果。Song等[11]針對RNN難以獲得由時間截斷的反向傳播帶來的長期依賴關(guān)系，采用注意力機制構(gòu)建上下文和方面之間的模型。Ma等[12]通過方面和上下文的交互式學(xué)習(xí)提高情感分類性能。Huang等[13]通過注意力機制為方面和句子建模，模型性能優(yōu)于以前基于LSTM的模型。

以上神經(jīng)網(wǎng)絡(luò)算法雖然考慮了方面的局部上下文，但忽略了其中隱含的情感信息。本文基于LCF模型，將門控卷積網(wǎng)絡(luò)(gated convolutional network，GCN)[14]作為補充，進一步選擇與方面相關(guān)的情感特征，并且采用表現(xiàn)出色的BERT預(yù)訓(xùn)練模型獲得詞嵌入，用于情感分類。

1 模型結(jié)構(gòu)

為了進行方面級情感分析，本文提出一種基于局部上下文和門控卷積網(wǎng)絡(luò)的方面級情感分類模型(aspect level sentiment classification model based on local context and gated convolutional network，LCGCN)。模型結(jié)構(gòu)如圖1所示，共包括5層：第一層是詞向量輸入層，使用預(yù)訓(xùn)練的BERT模型對輸入的文本進行編碼；第二層是動態(tài)加權(quán)層，使用上下文特征動態(tài)加權(quán)(context features dynamic weighted，CDW)的方法[5]捕捉局部上下文和方面的相關(guān)信息；第三層是門控卷積層，使用GCN捕捉與方面相關(guān)的情感特征；第四層是注意力層，采用多頭自注意力(multi-head self-attention，MHSA)機制捕捉句子內(nèi)部的語義關(guān)聯(lián)；最后是輸出層，使用Softmax分類器計算情感極性的概率分布，完成情感極性分類。

圖1 LCGCN模型結(jié)構(gòu)

1.1 詞向量輸入層

該層的任務(wù)是將語言文字映射為低維向量。本文使用BERT模型獲得詞嵌入矩陣，來獲取文本的雙向語義關(guān)系，充分抓取文本的語義特征。面對詞語在不同句中擁有不同語義的問題，使模型更好地理解句子的整體語義，模型捕捉局部上下文特征的同時構(gòu)建全局上下文表示。

局部上下文是指方面的鄰近詞，且與方面的語義相關(guān)。為了確定句子中的哪些詞是方面的局部上下文，將評論語句作為初始局部上下文序列，使用CDW方法捕捉局部上下文特征。全局上下文包含詞與詞在句子層次上的依賴關(guān)系，為了充分保留句子的整體語義，并學(xué)習(xí)全局上下文和方面之間的相關(guān)性，把整個評論語句和方面詞組合成句子對，作為全局上下文序列，例如“All of my co-workers stated that the food was amazing”，對于方面“food”，“that the”和“was amazing”可定義為“food”的局部上下文，它們與“food”的語義更相關(guān)，而全局上下文考慮整條語句，來學(xué)習(xí)方面的特征。

1.2 動態(tài)加權(quán)層

該層對全局上下文不做處理，以充分保留方面信息和句子的整體語義。為了捕捉方面和局部上下文的相關(guān)信息，本文采用Zeng等[5]提出的語義相關(guān)距離(semantic-relative distance，SRD)衡量初始局部上下文單詞和特定方面的相關(guān)程度，接著使用CDW方法[5]獲得與方面語義相關(guān)的上下文特征。

第i個位置的上下文詞和特定方面之間的語義相關(guān)距離定義為

(1)

式中：p為方面的中心位置；m為方面的長度。當(dāng)di高于閾值時，語義相關(guān)的局部上下文的特征將得到絕對保留，而當(dāng)di不超過閾值時，與語義較不相關(guān)的局部上下文的特征將得到加權(quán)衰減，因此需要為每個局部上下文詞構(gòu)造特征向量來對特征加權(quán)，第i個位置的局部上下文詞對于特定方面的語義相關(guān)的權(quán)重向量定義為

(2)

(3)

1.3 門控卷積層

門控卷積層采用GCN選擇與方面相關(guān)的情感特征，GCN包含卷積網(wǎng)絡(luò)和門控單元，卷積網(wǎng)絡(luò)用于提取不同粒度的上下文特征，且通過并行計算減少運行時間，門控單元輸出情感特征。

(4)

式中：frelu為ReLU激活函數(shù)，Wa和Va為權(quán)重矩陣；ba為偏置；a表示方面特征。

(5)

式中：ftanh為Tanh激活函數(shù)：Ws為權(quán)重矩陣：bs為偏置：s表示情感特征。選擇方面特征和情感特征的相關(guān)信息：

cGCN=s·a

(6)

式中：cGCN是與方面相關(guān)的情感特征；“·”為向量點積。

1.4 注意力層

ocon=[cGCN;cG]×Wo

(7)

式中：“;”表示水平拼接；Wo為權(quán)重矩陣。

MHSA首先計算注意力分?jǐn)?shù)，再對輸入句子加權(quán)求和，在不同子空間中獲得句子內(nèi)部的語義關(guān)聯(lián)。本文使用縮放點積注意力(Scaled dot-product attention，SDA)函數(shù)計算詞的注意力分?jǐn)?shù)：

(8)

(9)

式中：Q、K和V通過注意力層的輸入ocon和各自的權(quán)重矩陣Wq∈Rdh×dq、Wk∈Rdh×dk、Wv∈Rdh×dv相乘得到，維度分別為dq、dk、dv，它們都通過dh/h得到，dh為隱藏層的維度，h為頭的數(shù)量，fSoftmax表示Softmax函數(shù)。

假設(shè)第i個頭部學(xué)習(xí)到的注意力表示為

Hi=fSDA(Qi,Ki,Vi)

(10)

式中：Qi、Ki、Vi是在第i個頭部通過注意力層的輸入和權(quán)重矩陣相乘得到。所有頭部學(xué)習(xí)到的注意力將拼接起來，對輸入特征表示加權(quán)，再經(jīng)過一次線性映射得到注意力層的輸出oMHSA：

oMHSA=ftanh({H1;H2;…;Hh}·WMHSA)ocon

(11)

式中：“;”表示向量拼接；ftanh為Tanh激活函數(shù)，以增強該層的學(xué)習(xí)能力；WMHSA為權(quán)重矩陣；oMHSA為注意力層的輸出，包含句子內(nèi)部的語義關(guān)聯(lián)。

1.5 輸出層

該層的任務(wù)是輸出每條評論語句中方面的情感極性，包括積極、中性和消極3種情感。取出特征矩陣的第一條向量，它匯集了該矩陣的所有信息，再經(jīng)過線性變換并輸入到激活函數(shù)中得到特征表示：

xpool=ftanh(oMHSA[:,0]·Wd×d)

(12)

式中：oMHSA[:,0]表示特征矩陣oMHSA的第一條向量；Wd×d表示維度為d×d的權(quán)重矩陣；d為隱藏層的維度；ftanh表示Tanh激活函數(shù)。將xpool輸入到全連接網(wǎng)絡(luò)中，得到最終表示：

xdense=xpool·Wd×C

(13)

式中：Wd×C表示維度為d×C的權(quán)重矩陣；d為隱藏層的維度；C為情感類別的數(shù)量。最終使用Softmax預(yù)測情感極性y：

(14)

式中，fSoftmax為Softmax函數(shù)。

1.6 模型訓(xùn)練

本文通過最小化交叉熵?fù)p失函數(shù)對模型進行訓(xùn)練和更新，得到最優(yōu)模型參數(shù)。由于中性情感是一種非常模糊的情感狀態(tài)，標(biāo)記中性情感的訓(xùn)練樣本是不可靠的，因此在損失函數(shù)中加入標(biāo)簽平滑正則化(label smoothing regularization，LSR)[15]，來防止模型在訓(xùn)練過程中給每個訓(xùn)練實例分配完全的概率，進而減少過擬合，如用0.1和0.9的平滑值替換分類器的完全概率0和1。

對于訓(xùn)練樣本x，原始的真實分布為q(c|x)，平滑的真實分布q′(c|x)通過LSR計算：

q′(c|x)=(1-ε)q(c|x)+εu(c)

(15)

式中：ε為平滑參數(shù)；c為情感標(biāo)簽；u(c)為標(biāo)簽的先驗分布，設(shè)置為均勻分布u(c)=1/C，C為情感類別的數(shù)量。模型將預(yù)測分布p(c)和平滑的真實分布q′(c)的交叉熵作為損失函數(shù)，損失值為

(16)

2 實驗與結(jié)果分析

2.1 數(shù)據(jù)集和參數(shù)設(shè)置

本文采用的數(shù)據(jù)是SemEval2014 Task4的競賽數(shù)據(jù)集，包含筆記本和餐廳兩個領(lǐng)域的用戶評論子數(shù)據(jù)集，有3種情感標(biāo)簽：積極、中性和消極。數(shù)據(jù)集在不同情感極性下的訓(xùn)練集和測試集評論數(shù)量如表1所示。

表1 實驗數(shù)據(jù)統(tǒng)計

實驗中，Glove[16]詞向量維度為300，BERT預(yù)訓(xùn)練模型的維度為768。為了避免過擬合，本文在試驗中采用了Dropout機制，LCGCN模型在兩個子數(shù)據(jù)集上采用相同的超參數(shù)設(shè)置，如表2所示。

表2 模型的參數(shù)設(shè)置

2.2 實驗結(jié)果與分析

為了全面評價和分析本文模型的性能，在SemEval2014 Task4數(shù)據(jù)集上進行實驗，并與基線模型進行對比?；€模型如下：

1)AOA(attention-over-attention)[13]、交互注意力網(wǎng)絡(luò)(interactive attention networks，IAN)[12]、基于方面詞嵌入的注意力LSTM(attention-based LSTM with aspect embedding，ATAE-LSTM)[17]均使用Glove訓(xùn)練詞向量，結(jié)合LSTM和注意力機制提取文本特征。AOA使用一個LSTM建模文本，IAN使用兩個LSTM為方面和上下文單獨建模，ATAE-LSTM按照注意力權(quán)重對LSTM的隱層狀態(tài)加權(quán)求和，用于情感分類。

2)特定方面圖卷積網(wǎng)絡(luò)(aspect-specific graph convolutional network，ASGCN)[8]、記憶網(wǎng)絡(luò)(memory networks，MemNet)[18]、目標(biāo)獨立的LSTM(target-dependent LSTM，TD-LSTM)[6]同樣使用Glove訓(xùn)練詞向量。ASGCN使用圖卷積網(wǎng)絡(luò)抽取方面特征，MemNet結(jié)合深度記憶網(wǎng)絡(luò)和注意力機制，實現(xiàn)情感分類，TD-LSTM使用兩個反向的LSTM分別構(gòu)建左上下文和右上下文，實現(xiàn)情感分類。

3)GCAE-Glove和GCAE-BERT[7]分別使用Glove和BERT模型訓(xùn)練詞向量，結(jié)合CNN和門控機制進行情感分類。

4)LCF[5]使用BERT訓(xùn)練詞向量，使用CNN和MHSA處理全局上下文和局部上下文，實現(xiàn)情感分類。

為了保證實驗結(jié)果的準(zhǔn)確性，本次實驗的模型均運行在相同的實驗環(huán)境下。各模型的準(zhǔn)確率和F1值如表3所示。

表3 各模型的準(zhǔn)確率和F1值對比

從表3可以看出，相較于基線模型，本文提出的模型LCGCN在兩個數(shù)據(jù)集上取得了比其他模型更好的分類效果，與LCF模型相比，準(zhǔn)確率和F1值提高1～2個百分點，表明GCN能準(zhǔn)確選擇與方面相關(guān)的情感特征。相較于本文模型，GCAE-BERT模型沒有區(qū)分局部上下文和全局上下文，未能充分獲取上下文特征，也沒有使用自注意力機制獲取句子內(nèi)部的語義關(guān)聯(lián)，模型準(zhǔn)確率和F1值較低。相比于使用Glove訓(xùn)練詞向量的模型(如AOA、IAN、ASGCN、ATAE_LSTM、MemNet、TD_LSTM、GCAE-Glove)，使用BERT的模型(如LCF、LCGCN、GCAE-BERT)實驗效果更好，表明BERT預(yù)訓(xùn)練模型能更好地編碼詞語語義。

僅使用循環(huán)神經(jīng)網(wǎng)絡(luò)建模句子和方面的模型TD_LSTM效果總體上不夠理想，原因是模型很難記住長距離信息，AOA模型和IAN模型都使用了循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力機制，結(jié)果顯示在餐廳數(shù)據(jù)集上IAN的模型效果只差1%～2%，而在筆記本數(shù)據(jù)集上IAN的準(zhǔn)確率和F1值比AOA模型分別高出4%和6%，原因可能是IAN使用了兩個LSTM建模方面和句子，有效避免筆記本數(shù)據(jù)集中方面和句子之間的依賴關(guān)系。ASGCN模型與ATAE_LSTM模型相比，忽略了不同上下文信息對方面的重要性，模型效果較差。MemNet模型比基于LSTM的模型效果更好，可能是LSTM通過順序的方式對所有的上下文執(zhí)行相同的操作，不能明確反映出每個上下文詞的重要性。

3 結(jié)束語

本文基于LCF模型進行改進，提出了一種基于局部上下文和GCN的方面級情感分類模型LCGCN，保留了LCF模型中方面的局部上下文與該方面更相關(guān)的思想，使用門控卷積網(wǎng)絡(luò)獲得與方面相關(guān)的情感特征，采用多頭自注意力機制捕捉句子內(nèi)部的語義關(guān)聯(lián)，還通過標(biāo)簽平滑正則化進一步解決過擬合問題，將BERT向量表示方法用于模型中，增強了模型性能。通過實驗將本文模型和已有的模型作對比，證明了本文模型在情感分類任務(wù)中的有效性。

在下一步的工作中，考慮將句法結(jié)構(gòu)特征融入到模型中，利用外部知識提高情感分類效果。