徐凯旋，李 宪，潘亚磊

(青岛大学 a.复杂性科学研究所；b.未来研究院，山东 青岛 266071)

0 引言

情感分类是情感分析中的一项基本任务，是对带有感情色彩的主观性文本进行分析、推理的过程[1]。它与传统的文本主题分类又不相同，传统主题分类是分析文本讨论的客观内容，而情感分类是要从文本中得到它是否支持某种观点的信息。情感分类也是文本分类的一种形式，其中必须将一段文本分类作为预定的情感分类之一，这是有监督的机器学习问题[2]。情感分类模型要求其输入是固定大小的数字向量。因此，需要将文本转换为固定大小的矢量，该矢量对文本的有意义的信息进行编码[3]。为此，已经提出了许多统计和深度学习NLP模型。

Mikolov[4]在2013年提出Word2vec模型，该模型有两种训练方法：1)通过周围单词预测当前单词；2)通过当前单词预测局部窗口单词。该模型将高维向量映射到低维空间中，解决了独热编码的维数爆炸问题；但是受到训练方法的影响，模型只考虑到了词的局部信息，没有考虑到词与局部窗口外单词的联系，词和向量属于一对一的关系，无法解决多义词的问题。2014年，Kim[5]提出基于Word2vec的文本卷积神经网络(Text Convolutional Neural Network,Text-CNN)模型用于句子分类任务，由Word2vec词向量作为文本卷积神经网络的输入，通过卷积操作进行特征检测，得到多个特征映射，然后通过池化操作对特征进行筛选，过滤噪音，提取关键信息用来分类。Jeffrey Pennington等人[6]在2014年提出了一种新的单词全局向量表示模型(Global Vectors for Word Representation,Glove)，该模型是全局对数线性回归模型，采用全局矩阵分解和局部上下文窗口方法来学习词向量，将统计信息与局部上下文窗口方法的优点结合起来，其效果确实得到了提升。……