陆丁天，张志远

(中国民航大学 计算机科学与技术学院，天津 300300)

0 引 言

近年来，文本情感分析引起学术界与工业界的研究兴趣，对带有各种情感色彩的评论文本进行情感分析具有很大的研究和应用价值[1]。

Zhang Y等[2]认为文本情感分析建模面临的主要挑战是如何捕捉文本的局部语义信息、情感依赖信息以及情感表达关键部分；于是提出CCLA模型，提取这3类信息特征并融合得到完整的句子特征进行情感分析。卷积神经网络(CNN)更加关注局部特征，对文本情感分析的准确率有一定影响[3,4]。RNN能提取文本上下文语义信息，但其存在梯度爆炸和梯度消失问题，故常用LSTM来代替RNN进行文本情感分析任务[5-8]。然而LSTM是一个有偏模型，其更多注重句子末尾的词，当关键词不在句子末尾时，LSTM就无法很好捕获句子语义信息来进行文本分类任务，于是又常用双向的LSTM来代替单向的LSTM进行文本情感分析任务[9]。Bahdanau等[10]对Encoder-Decoder神经机器翻译方式的改进引出了注意力机制。注意力机制是用来表示文本句子中的词与输出结果之间的相关性，表示句子中每个词与句子相对应标签之间的重要程度[11,12]。注意力机制与深度学习模型的结合大大提高了文本情感分析的效果[13]。

然而，知道情感倾向还需知道其产生的原因，因此目前相关研究重点正从日趋成熟的文本情感分析向挖掘文本情感的产生原因深入，即文本情感原因发现[14]。情感原因发现与抽取最早是由Lee等[15]提出。此后Gao K等[16]提出了基于规则的词水平原因提取模型。……