對用于微博情感分析的一種情感語義增強的深度學習模型分析

牛長安

摘要

作為微博情感分析的主要特征，表情符號在提升分類效果方面具有的作用已經獲得了大多數人的認可。文章首先對微博所應用表情符號的特征進行了概述，然后結合實際情況，以詞向量輸入、情感語義增強等層次為切入點，圍繞著能夠對微博情感進行分析的、具有情感語義增強特征的深度學習模型的構建工作展開了討論，以期能夠在某些方面給人以啟發。

【關鍵詞】微博情感分析 情感語義增強 深度學習模型

對微信、微博等新興社交媒體而言，最突出的優勢在于人們可以在此平臺上，通過圖片、文本或是視頻的形式，表達意見、交流信息或是對個人內容進行發布，從情感的角度對用戶數據加以分析，可以達到對產品滿意度或其他內容進行獲取的目的，正是因為如此，情感分析的重要性開始為人們所熟知，微博內容具有的特殊性，在無形之中增加了微博情感分析的難度，圍繞著微博情感分析展開探究，具有的現實意義自然不言而喻。

1 表情符號概述

越來越多的人選擇使用表情符號在微博中對自己的情感進行表達，正是因為如此，微博平臺提供的、用于對情感需要加以表達的表情符號的數量與過去相比也呈現出了明顯的上升趨勢。通過對常用網絡原創表情符號進行分析能夠發現，不同表情符號在表達情感能力的方面往往存在一定的差異，需要注意的是，雖然情感符號的使用頻率較高，能夠代表該情感符號感情明確或是含有特定感情，但是，即使感情符號的適用頻率較低，上述兩種可能仍舊存在，因此，研究人員不應忽視低使用頻率的感情符號的重要性。除此之外，在人工標注的過程中不難看出，對情感符號具有的情感傾向加以判斷，往往具有較高難度，因此，本文最終選定基于情感符號的EMCNN作為深度學習模型，應用在對微博情感進行分析的過程中。

2 深度學習模型的構建

通過上文的分析能夠看出，常用表情符號往往蘊含相應的情感，并且具有明確的情感語義，另外，與情感詞相比較而言，表情符號的優勢體現在情感的區分和指示兩方面，因此，本文所討論深度學習模型具有的情感語義，選擇表情符號所對應詞向量作為增強工具。EMCNN模型的架構符合自底向上、多層前向神經等諸多要求，接下來以功能為依據，將深度學習模型進行劃分，共包括詞向量輸入，情感語義增強，卷積采樣以及情感得分輸出四層。

2.1 詞向量輸入

作為模型輸入層而存在的底部詞向量詞典，其構成分為數據集中詞語、表情符號兩大類，每一列代表一個詞向量，若詞典包含n個元素，詞向量維度是d，那么W^e∈R^d·N，該式代表詞向量詞典所對應的整個矩陣。將文本序列中與單詞元素相對應的詞向量，根據所處位置進行拼接，可得出對文本序列詞向量加以表示的矩陣，R^S=，其中，代表的是在行向量方向上進行的拼接操作。

2.2 情感語義增強

如果想要得到情感空間中微博對應的特征表示，應當以向量語義合成原理為依據，完成下列運算：E=（R^E）^T·R^M，其中，E代表的是情感空間中微博對應的特征表示，R^E代表的是通過拼接操作得出的表情符號序列，R^M是微博所對應詞向量的矩陣表示，作為表示微博文本序列的形式之一，R^M的優勢在于為后續應用矩陣運算完成語義合成操作提供便利，（R^E）^T代表的是R^E轉置，也就是說，如果選取表情符號為d_e個，R^E∈R^d·de。需要注意的是，數據集中的微博在長度方面往往存在一定的差異，因此，如果想要保證深度學習模型具備應有的作用，所選擇微博長度的最大值就應當是d_m，此時，R^M∈R^d·dm，如果微博長度不足d_m，則可以通過將全。列向量添加在末端的方式，使微博長度與d_m相等。

2.3 卷積采樣

在完成上述操作后，可針對微博特征開展卷積操作，例如，在指定窗口合成微博文本語義，假設卷積算子：W^f∈R^de·dwin，其中，d_win代表的是卷積窗口的具體大小，卷積操作則可以通過如下方式進行表示：，其中，r_ij^f代表的是第J個詞語處，第i個卷積算子對應的卷積結果，z_j代表的是在d_win范圍，E對應的分塊矩陣，b_i^f表示的是i卷積算子i的偏置值。以E所對應卷積操作方式存在的區別為依據，卷積窗口的滑動類型可分為兩種，分別是寬型和窄型，本文所討論深度學習模型應用的為寬型卷積窗口。

2.4 情感得分輸出

將上文計算得出的向量x向多層感知器進行輸入，可得出比原有層次更高的特征表示，本文所討論深度學習模型不存在隱含層的多層感知器，對輸出向量進行變換后，可得出如下情感得分向量：Score（S）-B（W^hx+b^h），其中，Score（S）代表的是情感得分向量，W^h代表的是多層感知器所對應參數矩陣，b^h代表的是多層感知器所對應偏置量。另外，該深度學習模型所選用非線性變化以函數為基礎。

3 結論

綜上所述，文章以情感語義增強為核心，圍繞著深度學習模型的構建展開了分析，首先以表情符號列表為對象，完成人工情感的標注工作，這樣做的目的是對表情符號在情感指示方面具有的作用進行突出，通過分析不難看出，雖然無論是情感詞還是表情符號，在情感語義的區分度方面都具有較好的表現，但是與表情符號相比，情感詞的判別度稍顯欠缺，因此，文中基于表情符號列表所對應詞向量，完成了對深度學習模型的構建工作。

參考文獻

[1]何炎祥，孫松濤，牛菲菲，李飛.用于微博情感分析的一種情感語義增強的深度學習模型[J].計算機學報，2017，40（04）：773-790.

[2]張仰森，鄭佳，黃改娟，蔣玉茹.基于雙重注意力模型的微博情感分析方法[J].清華大學學報（自然科學版），2018，58（02）：122-130.