马晓慧,马尚才,闫俊伢,陈 波

(1.山西大学商务学院,山西 太原 030031) (2.山西财经大学信息管理学院,山西 太原 030006) (3.山东理工大学计算机科学与技术学院,山东 淄博 255020)

目标情感分类[1]是一种细粒度的情感分类任务,给定一个包含特定目标实体的文本,该任务的目的就是确定文本中各目标的情感极性. 如,“这款手机屏幕很亮但拍照效果不佳”. 这句话包含“屏幕”和“拍照效果”两个目标实体,“屏幕”的情感极性为积极,而“拍照效果”的情感极性为消极. 目标情感分类一般包含目标提取、类别检测和情感极性判别3个子任务[2],在工业界有很大的应用需求.

目前,目标情感分类方法主要分为两类:(1)以使用语言资源构建分类器为主的机器学习方法,如使用语法分析器生成特征[3-6],使用最大熵、条件随机场、支持向量机、朴素贝叶斯等[7-10]分类器进行情感极性分类. 这些方法虽然简单高效,但也存在诸如数据集规模要求高、对手工训练数据依赖性强、领域迁移效果不佳等缺点. (2)以深度神经网络进行特征提取和表示的方法[11],如卷积神经网络[12-13]、以LSTM[14-15]和GRU[16-17]为代表的循环神经网络,结合注意力权重的网络模型[18-20]等. 在目标情感分类任务中,将注意力机制和LSTM、GRU等循环神经网络结合的模型存在训练时间长和无法对分类文本并行输入等问题. 传统的卷积神经网络模型虽能缓解循环神经网络的性能限制,可以通过关注局部特征和最大池化方案来改善不相关词对给定目标的影响,但……