基于特征级注意力的方面级情感分类模型研究
2021年电子技术应用第7期
杨嘉佳1，熊仁都1，刘 金1，唐 球1，左 娇2
1.华北计算机系统工程研究所，北京100083；2.中国长城科技集团股份有限公司，广东 深圳518057
摘要：近年来大数据、自然语言处理等技术得到了飞速发展。情感分析作为自然语言处理细分领域的前沿技术之一，得到了极大的重视。然而，低参数量、高精度依然是制约情感分析的关键因素之一。为实现模型参数少、模型分类精度高的情感分析需求，通过改进特征级注意力机制的输入向量，以及前馈神经网络与注意力编码的前后位置关系，得到可复位特征级注意力机制，并基于该机制提出了基于可复位特征级注意力方面级情感分类模型(RFWA)和基于可复位特征级自注意力方面级情感分类模型(RFWSA)，实现了高精度的方面级情感分析效果。在公开数据集上的实验结果表明，相比现有的主流情感分析方法，所提出的模型有明显的优势，尤其是在取得相当分类效果的情况下，模型的参数量仅为最新AOA网络的1/4。
中图分类号：TP391.41
文献标识码：A
DOI：10.16157/j.issn.0258-7998.200559
中文引用格式：杨嘉佳，熊仁都，刘金，等. 基于特征级注意力的方面级情感分类模型研究[J].电子技术应用，2021，47(7)：78-82.
英文引用格式：Yang Jiajia，Xiong Rendou，Liu Jin，et al. Research on aspect level sentiment classification model based on feature level attention[J]. Application of Electronic Technique，2021，47(7)：78-82.
文献标识码：A
DOI：10.16157/j.issn.0258-7998.200559
中文引用格式：杨嘉佳，熊仁都，刘金，等. 基于特征级注意力的方面级情感分类模型研究[J].电子技术应用，2021，47(7)：78-82.
英文引用格式：Yang Jiajia，Xiong Rendou，Liu Jin，et al. Research on aspect level sentiment classification model based on feature level attention[J]. Application of Electronic Technique，2021，47(7)：78-82.
Research on aspect level sentiment classification model based on feature level attention
Yang Jiajia1，Xiong Rendou1，Liu Jin1，Tang Qiu1，Zuo Jiao2
1.National Computer System Engineering Research Institute of China，Beijing 100083，China； 2.China Greatwall Technology Group Co.，Ltd.，Shenzhen 518057，China
Abstract：In recent years, big data, natural language processing and other technologies have been developed rapidly. As one of the cutting-edge technologies in the field of natural language processing, emotion analysis has received great attention. However, High precision and high performance are still the key factors restricting emotional analysis. In order to achieve high-precision emotion analysis, based on the feature-level neural network, this paper improves the reset feature level attention mechanism, and proposes an aspect level emotion classification model based on the reset feature level attention(RFWA) and an aspect level emotion classification model based on the reset feature level self-attention(RFWSA). Finally, combined with Bi-LSTM-CRF,high quality aspect level emotion analysis is realized by aspect level phrase extraction in the network. The experimental results show that compared with the existing mainstream emotion analysis model, the model proposed in this paper has obvious advantages. Especially when the classification effect is quite good, the parameters of the model are only 1/4 of the AOA Network.
Key words :emotion analysis；aspect level；feature level；self attention
0 引言
在信息化时代背景下，各行业产生了大量的多源异构数据。对这些数据的情感倾向进行分析，衍生出很多基于传统行业的新实践和新业务模式。情感分析是当下人工智能的一个热门应用，是自然语言处理领域的一个重要分支，根据文本研究对象细粒程度的区别，研究者主要在3个层次级别上研究情感分析：文档级、语句级和方面级(aspect level)。情感分析的粒度越细，则精确度越高，也就能更好地发现情感极性。方面级情感分析技术[1]主要用于解决情感极性问题，与文档级、语句级情感分类相比，方面级情感分析因为基于 aspect 实体，使得情感分析更加细粒化。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003660。
作者信息：
杨嘉佳1，熊仁都1，刘 金1，唐 球1，左 娇2
(1.华北计算机系统工程研究所，北京100083；2.中国长城科技集团股份有限公司，广东 深圳518057)
此内容为AET网站原创，未经授权禁止转载。