梁海霞, 张凌东, 贾 蓉

(1.西安邮电大学 宣传部, 陕西 西安 710121； 2.火箭军驻北京地区 第一军代室， 北京，100076；3.西安邮电大学 计算机学院, 陕西 西安 710121)

随着互联网时代的来临，越来越多的人已经习惯于在网上消费，人们通过对所购买的商品进行评论来表达对消费的满意程度，由此产生的评论数据中通常蕴含着消费者的情感倾向信息。这些信息往往可以反映出消费者的态度和想法，因而蕴含着极高的商业价值。通过分析这些电商评论数据，不但可以帮助电商平台进行精准广告推荐，而且可以帮助商家改进产品。因此情感倾向分析作为自然语言处理中一个重要的问题，引起了国内外众多研究人员的广泛关注。

当前，主流研究方法多以词袋模型为主。但是，这种模型将文本视为词汇的无序集合，忽略了文本上下文之间的联系，从而导致文本中蕴含的深层语义难以被捕获。为了解决上述问题，一些研究人员引入其他特征作为补充，例如设置情感词典、进行句法结构分析等[1]。虽然采用这些方法可以取得较好的效果，但是这需要建立大规模的人工标注数据集，面对当前电商评论数据的巨大量级显得费时费力。

循环神经网络(recurrent neural network，RNN)已经被证明在序列化任务上具有很好的效果，但由于该方法存在着梯度消失和梯度爆炸[10]的问题，因而处理长范围文本时该方法效果有限。Hochreiter等[2]提出的长短期记忆模型(long-short term memory，LSTM)的RNN有效解决了上述问题。LSTM模型通过改变普通RNN的隐藏层神经元结构来保存记忆状态信息，从而减缓信息衰减的速率。……