季 陳，葉慧雯，王子民，張秀文，趙子涵，楊玉東，2

(1.南京工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211816；2.淮陰工學(xué)院 電子信息工程學(xué)院，江蘇 淮安 223003)

隨著互聯(lián)網(wǎng)信息技術(shù)的快速發(fā)展，微信、QQ、微博等社交媒體用戶(hù)數(shù)以?xún)|計(jì)，通過(guò)社交媒體可以發(fā)表心情、感想和對(duì)各類(lèi)事件的看法等，其內(nèi)容包括新聞資訊、熱點(diǎn)事件、產(chǎn)品評(píng)論、娛樂(lè)八卦等眾多方面，能夠直觀地反映用戶(hù)的情感傾向[1]。近年來(lái)，文本情感分析在政府輿情監(jiān)控、企業(yè)管理決策、個(gè)人情緒管理等方面發(fā)揮著重要作用。

隨著情感分析技術(shù)方法、算法和資源的不斷發(fā)展，現(xiàn)有的研究基于不同的監(jiān)督環(huán)境產(chǎn)生了3種主要的方法[2]。基于情感詞典[3]的方法:郗亞輝[4]通過(guò)詞語(yǔ)和詞語(yǔ)之間有情感的交互和上下文的約束等聯(lián)系擴(kuò)展情感詞典以提高文本分析的準(zhǔn)確率；Xu等[5]利用不同情感詞之間的上下級(jí)關(guān)系對(duì)情感詞典進(jìn)行擴(kuò)充達(dá)到提高準(zhǔn)確率的目的?；跈C(jī)器學(xué)習(xí)的方法:Pang等[6]首次在針對(duì)電影評(píng)論的情感分析中使用支持向量機(jī)(Support vector machine，SVM)進(jìn)行情感二分類(lèi)，將電影評(píng)論文本分為了積極與消極兩類(lèi)；李婷婷等[7]利用文本的詞性、情感程度等，構(gòu)造出了不同的特征，提出了SVM和條件隨機(jī)場(chǎng)相結(jié)合的分類(lèi)模型，提高了文本分類(lèi)的準(zhǔn)確率；針對(duì)情感詞在不同的上下文語(yǔ)境中具有不同含義的問(wèn)題，Cai等[8]在一種三層情感詞典的基礎(chǔ)上將SVM和梯度提升決策樹(shù)(Gradient boosting decision tree，GBDT)結(jié)合形成情感分析混合模型，有效提高了文本情感分析的效果?；谏疃葘W(xué)習(xí)的方法:Kim等[9]最先開(kāi)始使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)，用不同的卷積核對(duì)文本不同位置的局部語(yǔ)義進(jìn)行特征提取，改善了文本分類(lèi)的效果，但CNN中的池化操作會(huì)帶來(lái)信息的丟失問(wèn)題；楊玉娟等[10]在word2vec的基礎(chǔ)上引入了術(shù)語(yǔ)頻率-逆文檔頻率算法形成詞向量，同時(shí)在長(zhǎng)短期記憶網(wǎng)絡(luò)(Long short-term memory，LSTM)模型中加入了注意力機(jī)制，提高了文本分析的準(zhǔn)確率。

綜合以上3種文本情感分析方法，基于情感詞典方法依賴(lài)人工構(gòu)建情感詞典，基于機(jī)器學(xué)習(xí)的方法依賴(lài)人工構(gòu)建文本特征，實(shí)時(shí)性較差?；谏疃葘W(xué)習(xí)的方法相比于情感詞典方法和機(jī)器學(xué)習(xí)方法，可以從經(jīng)計(jì)算機(jī)處理過(guò)的文本詞匯中自動(dòng)提取語(yǔ)義特征[11]，實(shí)時(shí)性較強(qiáng)，但是文本的上下文信息和位置語(yǔ)義信息無(wú)法依靠單一的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行提取。

膠囊網(wǎng)絡(luò)(Capsule network，CapsNet)模型是在卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行的改進(jìn)，用動(dòng)態(tài)路由代替了CNN中的池化操作，解決了池化操作帶來(lái)的信息丟失問(wèn)題，能很好地提取情感詞在全文的位置語(yǔ)義信息；雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(Bi-directional long short-term memory，BiLSTM)模型由兩個(gè)方向相反的LSTM模型上下疊加構(gòu)成，單獨(dú)的LSTM模型只能獲取文本單向的上文或下文信息，本文利用BiLSTM代替LSTM可以更好地捕捉文本雙向的語(yǔ)義依賴(lài)。

綜上，針對(duì)現(xiàn)有文本情感分析方法實(shí)時(shí)性不強(qiáng)，不能同時(shí)提取文本上下文信息和局部語(yǔ)義特征等問(wèn)題，本文提出一種改進(jìn)膠囊網(wǎng)絡(luò)的BiLSTMCapsNet混合模型進(jìn)行文本情感分析，這一模型由BiLSTM模型和CapsNet模型組成混合模型，既能利用BiLSTM模型可提取文本上下文信息的優(yōu)勢(shì)，又能利用CapsNet模型可提取文本位置語(yǔ)義信息的優(yōu)勢(shì)，可以很好地提高文本情感分析的效果。

1 BiLSTM-CapsNet混合模型的建立

BiLSTM-CapsNet混合模型主要分為4步:文本預(yù)處理、文本建模、特征提取和情感分類(lèi)。文本預(yù)處理的目的是去除噪聲，只保留具有語(yǔ)義特征的詞語(yǔ)；文本建模就是將文本數(shù)據(jù)轉(zhuǎn)化為可以由計(jì)算機(jī)處理的數(shù)值型數(shù)據(jù)的過(guò)程；特征提取使用CapsNet提取局部語(yǔ)義特征，再使用BiLSTM提取上下文特征信息。情感分類(lèi)采用softmax分類(lèi)器進(jìn)行分類(lèi)。基于BiLSTM-CapsNet混合模型的文本情感分類(lèi)如圖1所示。

圖1 基于BiLSTM-CapsNet混合模型的文本情感分類(lèi)

1.1 數(shù)據(jù)預(yù)處理

文本數(shù)據(jù)不僅包含了具有語(yǔ)義特征的詞匯還包含了一些影響分類(lèi)效果的噪聲特征，數(shù)據(jù)預(yù)處理的目的在于去除噪聲，保留具有語(yǔ)義特征的詞匯。數(shù)據(jù)預(yù)處理操作步驟如下所示:

(1)過(guò)濾掉文本中的標(biāo)點(diǎn)符號(hào)和特殊字符；(2)使用Jieba等分詞工具進(jìn)行分詞，若是英文這步操作省略；

(3)文本數(shù)據(jù)中含有各種沒(méi)有具體語(yǔ)義的停用詞，將會(huì)影響到分類(lèi)效果，使用哈工大停用詞表去除噪聲數(shù)據(jù)；

(4)文本中的標(biāo)簽也需要進(jìn)行處理，將文本型的標(biāo)簽數(shù)據(jù)轉(zhuǎn)化成計(jì)算機(jī)能夠識(shí)別的數(shù)值型數(shù)據(jù)。

1.2 文本建模

社交文本數(shù)據(jù)是高度非結(jié)構(gòu)化的數(shù)據(jù)，需要將其轉(zhuǎn)換成結(jié)構(gòu)化的數(shù)值型數(shù)據(jù)進(jìn)行處理。本文選用了word2vec工具，word2vec將每個(gè)詞映射到一個(gè)高維向量中，訓(xùn)練所得的向量可以表示詞對(duì)詞之間的關(guān)系。word2vec主要依賴(lài)其自帶的框架結(jié)構(gòu)將不可計(jì)算的非結(jié)構(gòu)化的文本詞匯轉(zhuǎn)化成可計(jì)算的結(jié)構(gòu)化的高維實(shí)數(shù)向量。

1.3 局部語(yǔ)義特征提取

膠囊網(wǎng)絡(luò)模型用于文本分類(lèi)結(jié)構(gòu)圖如圖2所示，主要分為4個(gè)部分:卷積層、主膠囊層、卷積膠囊層和全連接膠囊層。第一部分是一個(gè)標(biāo)準(zhǔn)的卷積層，通過(guò)多個(gè)不同的卷積核在句子的不同位置提取特征。第二部分為主膠囊層，該層是將卷積操作中的標(biāo)量輸出替換為矢量輸出，從而保留了文本的單詞順序和語(yǔ)義信息。第三部分為卷積膠囊層，在這一層中，膠囊通過(guò)與變換矩陣相乘來(lái)計(jì)算子膠囊與父膠囊的關(guān)系，然后根據(jù)路由協(xié)議計(jì)算上層膠囊層。第四部分是全連接膠囊層，膠囊乘上變換矩陣，然后按照路由協(xié)議生成最終的膠囊及其對(duì)每個(gè)類(lèi)的概率。其中Flatten函數(shù)用在卷積層到全連接層的過(guò)渡，把多維的輸入一維化。本文采用了膠囊網(wǎng)絡(luò)的前3層進(jìn)行文本局部語(yǔ)義特征的提取。

圖2 膠囊網(wǎng)絡(luò)用于文本分類(lèi)模型結(jié)構(gòu)圖

假設(shè)數(shù)據(jù)集文本中的一個(gè)詞為w(i)，經(jīng)過(guò)word2vec工具轉(zhuǎn)化為詞向量V(w(i)))，則詞向量矩陣Sij={V(w(1))，V(w(2))，…，V(w(n))}。膠囊網(wǎng)絡(luò)在卷積層中用濾波器對(duì)詞向量矩陣Sij進(jìn)行卷積操作達(dá)到文本局部語(yǔ)義特征提取的作用，計(jì)算方法如式(1)所示

式中:b0為偏置項(xiàng)，Wα為卷積運(yùn)算操作的濾波器，X i:j＋K1-1表示濾波器每次移動(dòng)的單詞窗口為X i至X i＋K1-1，f()為非線(xiàn)性激活函數(shù)ReLU，若有B個(gè)濾波器，即α=1，2，…，B，則mα i表示膠囊網(wǎng)絡(luò)提取的文本局部語(yǔ)義特征。

1.4 上下文信息提取

LSTM模型適用于處理和預(yù)測(cè)時(shí)間序列中時(shí)間間隔和延遲相對(duì)較長(zhǎng)的事件，提出的目的主要是為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中存在的梯度消失或者梯度爆炸問(wèn)題，是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，但是LSTM建模存在一個(gè)問(wèn)題，無(wú)法編碼從后向前的文本信息。BiLSTM模型是由兩個(gè)方向相反的LSTM模型上下疊加構(gòu)成，可以更好地捕捉雙向的語(yǔ)義依賴(lài)，在更細(xì)粒度的文本分類(lèi)過(guò)程中，BiLSTM模型有更好的表現(xiàn)。BiLSTM模型結(jié)構(gòu)如圖3所示。

圖3 BiLSTM用于文本分類(lèi)模型結(jié)構(gòu)圖

如圖3所示，w(i)表示文本中的詞匯，V(w(i))表示經(jīng)word2vec轉(zhuǎn)化的詞向量，詞向量拼接形成了詞向量矩陣Sij，其中Sij={V(w(1))，V(w(2))，…，V(w(n))}，然后利用BiLSTM模型進(jìn)行上下文信息提取，得到BiLSTM的輸出h n，計(jì)算方法如式(2)所示

1.5 混合模型

基于BiLSTM-CapsNet混合模型的文本情感特征提取流程圖如圖4所示。

圖4 文本情感特征提取流程圖

輸入層將文本數(shù)據(jù)集進(jìn)行預(yù)處理后，通過(guò)word2vec將文本中的詞匯轉(zhuǎn)化成詞向量，設(shè)置詞向量維度為100，然后通過(guò)嵌入層將文本詞向量進(jìn)行拼接，形成文檔詞向量矩陣，如式(3)所示

式中:w(n)表示詞語(yǔ)，V(w(n))表示詞向量，Sij表示詞向量矩陣，⊕表示拼接操作。

局部語(yǔ)義特征提取是由膠囊網(wǎng)絡(luò)的一層卷積層和兩層膠囊層組成，以嵌入層的詞向量矩陣Sij作為輸入，采用大小為3×100，4×100，5×100的濾波器各128個(gè)進(jìn)行卷積運(yùn)算，通過(guò)卷積操作來(lái)提取各個(gè)位置的局部特征

式中:Oij表示Conv層的輸出。使用動(dòng)態(tài)路由操作代替池化操作，再進(jìn)行兩次膠囊層的特征提取。

式中:gij表示CapsNet的輸出，同時(shí)作為BiLSTM的輸入。隱藏層大小設(shè)置為128，sigmoid作為激活函數(shù)，從BiLSTM模型的兩個(gè)方向輸入序列，通過(guò)隱藏層提取文本的上下文信息，如式(6)所示

式中:gijt表示在t時(shí)刻的文檔矩陣，hijt表示在t時(shí)刻BiLSTM的輸出，再使用CapsNet的全連接層進(jìn)行連接，最后通過(guò)softmax函數(shù)進(jìn)行文本情感分類(lèi)，如式(7)所示

式中:b i為偏置項(xiàng)，Wi表示全連接層到輸出層的權(quán)重系數(shù)，dijt表示t時(shí)刻全連接層的輸出向量。

2 試驗(yàn)與結(jié)果

2.1 試驗(yàn)數(shù)據(jù)集

當(dāng)前文本情感分析的主要任務(wù)可分為詞級(jí)別情感分析，句子/文檔級(jí)情感分析和目標(biāo)級(jí)情感分析3類(lèi)，本文主要研究是基于句子/文檔級(jí)的情感分析。從粒度上劃分，情感分析又可以分為粗粒度和細(xì)粒度。粗粒度的情感分析就是對(duì)文本的正負(fù)極性進(jìn)行分類(lèi)，而細(xì)粒度的情感分析可以根據(jù)要求的不同分成多類(lèi)，本文的細(xì)粒度情感分析試驗(yàn)把情感分成了7類(lèi)，分別是0:生氣(anger)、1:厭惡(disgust)、2:傷心(sandness)、3:喜歡(like)、4:害怕(fear)、5:驚喜(surprise)、6:開(kāi)心(happiness)。本文試驗(yàn)采用了兩組數(shù)據(jù)集，一組做細(xì)粒度情感分析，另一組做粗粒度情感分析。

細(xì)粒度情感分析試驗(yàn)數(shù)據(jù)集采用的是NLPCC2014微博情緒識(shí)別數(shù)據(jù)集，截取其中部分如表1所示。粗粒度情感分析試驗(yàn)數(shù)據(jù)集為產(chǎn)品評(píng)論數(shù)據(jù)集，截取其中部分如表2所示。

表1 NLPCC2014微博情緒識(shí)別數(shù)據(jù)集樣例

表2 產(chǎn)品評(píng)論數(shù)據(jù)集部分樣例

試驗(yàn)采用了Python作為算法的實(shí)現(xiàn)語(yǔ)言，詞向量分別取200維，文本長(zhǎng)度取固定長(zhǎng)度100，選用Adam作為優(yōu)化函數(shù)，具體設(shè)置如表3所示。

表3 模型參數(shù)設(shè)置

為驗(yàn)證本文提出的BiLSTM-CapsNet混合模型的情感分析性能，兩組試驗(yàn)分別對(duì)比了6組模型，其中包括CNN模型、BiLSTM模型、CapsNet模型、CNN＋CapsNet模型、CNN＋BiLSTM模型和本文提出的BiLSTM-CapsNet模型。從準(zhǔn)確率、精確率、召回率和F1值4個(gè)評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行比較。

2.2 評(píng)價(jià)標(biāo)準(zhǔn)

文本情感分類(lèi)常用的評(píng)價(jià)指標(biāo)有精確率(Precision)、召回率(Recall)和F1值。

精確率定義如式(8)

式中:TP為正樣本判斷為正樣本的數(shù)量即正樣本判斷正確的數(shù)量，F(xiàn)P為正樣本判斷為負(fù)樣本的數(shù)量即正樣本判斷錯(cuò)誤的數(shù)量。

召回率定義如式(9)

式中:FN為負(fù)樣本判斷為正樣本的數(shù)量即負(fù)樣本判斷錯(cuò)誤的數(shù)量。

F1值是精確率和召回率的調(diào)和平均值，定義如式(10)

2.3 細(xì)粒度情感分類(lèi)試驗(yàn)

細(xì)粒度情感分析試驗(yàn)采用了NLPCC2014微博情緒識(shí)別數(shù)據(jù)集，試驗(yàn)結(jié)果如表4所示。

由表4可知，在細(xì)粒度情感分析試驗(yàn)中，本文文本情感分析算法模型在召回率和綜合評(píng)價(jià)指標(biāo)F1值方面，相較于單一的CNN、BiLSTM、CapsNet模型和混合的CNN＋BiLSTM、CNN＋CapsNet模型都達(dá)到了最好的結(jié)果。在準(zhǔn)確率方面，本文文本情感分析算法模型優(yōu)于單一的BiLSTM、CapsNet模型和混合的CNN＋BiLSTM、CNN＋CapsNet模型，與單一的CNN模型準(zhǔn)確率相當(dāng)。

表4 細(xì)粒度情感分析試驗(yàn)結(jié)果

2.4 粗粒度情感分析試驗(yàn)

粗粒度情感分析試驗(yàn)采用了評(píng)論數(shù)據(jù)集，試驗(yàn)結(jié)果如表5所示。

表5 粗粒度情感分析試驗(yàn)結(jié)果

由表5可知在粗粒度情感分析試驗(yàn)中，本文文本情感分析算法模型在準(zhǔn)確率、召回率和綜合評(píng)價(jià)指標(biāo)F1值方面，相較于單一的CNN、BiLSTM、CapsNet模型和混合的CNN＋BiLSTM、CNN＋CapsNet模型，都達(dá)到了最好的結(jié)果。

3 結(jié)束語(yǔ)

本文結(jié)合BiLSTM模型和CapsNet模型各自?xún)?yōu)勢(shì)構(gòu)成的BiLSTM-CapsNet混合模型，既能同時(shí)利用BiLSTM和CapsNet特征提取的優(yōu)勢(shì)，又能很好地理解待處理文本的語(yǔ)義。通過(guò)細(xì)粒度情感分析和粗粒度情感分析兩組試驗(yàn)，分別對(duì)比了6種模型，驗(yàn)證了本文提出的模型在細(xì)粒度和粗粒度情感分析試驗(yàn)中都具有較明顯的優(yōu)勢(shì)，能夠更好地完成文本情感分析的任務(wù)。

本文提出的BiLSTM-CapsNet混合模型在試驗(yàn)中使用的訓(xùn)練時(shí)間資源都高于單一的CNN、BiLSTM和CapsNet模型，與同類(lèi)的CNN＋BiLSTM、CNN＋CapsNet混合模型相當(dāng)，所以如何使用更少的時(shí)間資源進(jìn)一步提高本文模型文本情感分析的準(zhǔn)確率是下一步的工作目標(biāo)。