融合MAML與BiLSTM的微博負面情感多分類方法

徐 超，葉 寧，2，徐 康，2，王汝傳，2

1.南京郵電大學(xué) 計算機學(xué)院，南京 210000

2.江蘇省無線傳感網(wǎng)高技術(shù)研究重點實驗室，南京 210000

微博是一種分享和評論的平臺，越來越多的用戶通過微博自由地表達自己的觀點和情感。而如今，微博已經(jīng)成為人們溝通及情感交流的重要途徑之一，產(chǎn)生的海量數(shù)據(jù)為文本情感分類提供了數(shù)據(jù)基礎(chǔ)，如何分析微博中用戶的情感傾向已被越來越多的研究者關(guān)注，同時成為了自然語言處理的研究熱點。文本情感分析的概念最早由Nasukawa等[1]提出，是對帶有情感色彩的主觀性文本進行分析、推理和歸納的過程，目的是挖掘文本信息中用戶的情感極性。對用戶微博進行情感分析，有助于了解公眾的情感狀態(tài)，及時獲取公眾的觀點態(tài)度，可以廣泛應(yīng)用于商品評價、電影評價和新聞推薦等領(lǐng)域，同時對于輿情控制、民意調(diào)查等工作具有重大意義。

傳統(tǒng)的情感分類技術(shù)主要為基于規(guī)則的方法和基于機器學(xué)習(xí)的方法。基于規(guī)則的方法主要通過經(jīng)驗或者專家意見得到統(tǒng)計特征、情感詞典等來對文本進行情感分類；基于機器學(xué)習(xí)的方法首先通過人工標注一部分數(shù)據(jù)建立訓(xùn)練集，然后通過對訓(xùn)練集數(shù)據(jù)進行特征提取和學(xué)習(xí)來構(gòu)建一個分類模型，最后使用分類模型對未知標簽的數(shù)據(jù)進行情感分類。但隨著數(shù)據(jù)量的激增，文本信息的特征越來越復(fù)雜，這兩種方法的缺點也逐漸暴露出來，他們過于依賴復(fù)雜的特征工程。而深度學(xué)習(xí)的出現(xiàn)為自然語言處理任務(wù)提供了新的手段。例如，Socher等[2]基于遞歸神經(jīng)網(wǎng)絡(luò)提出了RNTN（recursive neural tensor network）模型進行情感二分類；Wang等[3]利用長短期記憶網(wǎng)絡(luò)對文本情感極性進行分析；Jiang等[4]提出了MANs（mutual attention neural networks）模型用于方面級情感分類；Zhao等[5]基于GCN（graph convolutional networks）建模情感依賴關(guān)系，進而進行情感分類。深度學(xué)習(xí)模型可以針對目標問題自動學(xué)習(xí)良好的特征，在文本情感二分類任務(wù)中取得了很好的效果，但在多分類任務(wù)中仍有改進的余地。

考慮到情感分類任務(wù)的多樣性，而深度學(xué)習(xí)模型遇到新的分類任務(wù)時往往需要大量數(shù)據(jù)重新訓(xùn)練才能取得明顯的效果，本文將能夠在小樣本情況下快速適應(yīng)新任務(wù)的元學(xué)習(xí)與深度學(xué)習(xí)方法結(jié)合，提出了一種基于MAML與BiLSTM的微博負面情感多分類方法，本文的主要貢獻如下：（1）通過利用現(xiàn)有的微博語料庫和爬取的微博數(shù)據(jù)構(gòu)建了一個新的微博負面情感數(shù)據(jù)集用于實驗。（2）提出一種基于MAML與BiLSTM的微博負面情感多分類方法。該模型在傳統(tǒng)的BiLSTM的基礎(chǔ)上添加了MAML元學(xué)習(xí)框架。通過設(shè)計相關(guān)實驗驗證了新模型在微博情感多分類任務(wù)中的有效性。（3）通過設(shè)計相關(guān)實驗，驗證了在微博情感分類任務(wù)中引入MAML，對情感分類任務(wù)性能的提升作用。實驗結(jié)果表明，本文模型的性能超過一般的深度學(xué)習(xí)模型。

1 相關(guān)工作

1.1 元學(xué)習(xí)

是否具有快速學(xué)習(xí)的能力是區(qū)分人類智能和人工智能的關(guān)鍵特征。雖然傳統(tǒng)深度學(xué)習(xí)在數(shù)據(jù)挖掘中已經(jīng)獲得了很大的成功，但用這種方法訓(xùn)練出來的分類器，在遇到只有少量數(shù)據(jù)可用或者需要適應(yīng)任務(wù)變化時，通常表現(xiàn)不佳。這主要是因為在學(xué)習(xí)新任務(wù)時缺乏有效的先驗知識。元學(xué)習(xí)的概念最早由Schmidhuber[6]提出，元學(xué)習(xí)通過從許多任務(wù)的學(xué)習(xí)經(jīng)驗中獲取元知識來解決上述問題[7-9]。元學(xué)習(xí)獲得的元知識提供了歸納偏差[10]，使得模型可以在多個任務(wù)之間泛化，從而產(chǎn)生了高效采樣的快速學(xué)習(xí)算法。

以往基于元學(xué)習(xí)的深度學(xué)習(xí)工作已經(jīng)很多，例如，Graves等[11]研究了使用遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）來解決算法任務(wù)。他們用一個由LSTM實現(xiàn)的元學(xué)習(xí)器進行了實驗，但是他們的結(jié)果表明LSTM架構(gòu)不適合這類任務(wù)。然后，他們設(shè)計了一個更復(fù)雜的RNN架構(gòu)，其中LSTM控制器被連接到一個外部存儲庫，它可以讀寫，并證明這些記憶增強神經(jīng)網(wǎng)絡(luò)（MANNs）實現(xiàn)了比LSTMs更好的性能。Santoro等[12]對LSTM和MANN元學(xué)習(xí)者的few-shot圖像分類進行了評價，證實了LSTM架構(gòu)的不足。但是同時也發(fā)現(xiàn)MANNs具有復(fù)雜的內(nèi)存尋址體系結(jié)構(gòu)，很難訓(xùn)練。Ravi和Larochelle[13]在一個少樣本分類設(shè)置中使用了一個類似的LSTM元學(xué)習(xí)器，傳統(tǒng)的學(xué)習(xí)器是一個基于卷積網(wǎng)絡(luò)的分類器。將元學(xué)習(xí)算法分解為兩部分：對傳統(tǒng)的學(xué)習(xí)器初始參數(shù)進行訓(xùn)練，使其適應(yīng)于快速的梯度變化；LSTM元學(xué)習(xí)器被訓(xùn)練成適應(yīng)元學(xué)習(xí)任務(wù)的優(yōu)化算法。Finn等[14]研究了一個特殊的情況，元學(xué)習(xí)器必須使用梯度下降方法來更新分類器，并證明了這個簡化模型（稱為MAML）可以實現(xiàn)等效的性能。Munkhdalai和Yu[15]探索了一種更復(fù)雜的權(quán)重更新方案，在少樣本分類上獲得了較小的性能改進。在最新的研究中，Xu等[16]提出了一種全新的編碼器-解碼器模式的元學(xué)習(xí)方法，他們開發(fā)了一種學(xué)習(xí)迭代更新的方法將上下文信息編碼到任務(wù)表示中，元學(xué)習(xí)器在更新過程中優(yōu)化模型，最終的表示用于約束解碼器對未標記數(shù)據(jù)進行預(yù)測，實驗證明該方法在基準數(shù)據(jù)集tieredImageNet[17]取得了最好的結(jié)果。Collins等[18]在MAML的基礎(chǔ)上提出了“任務(wù)魯棒性”的概念，他們認為元學(xué)習(xí)方法僅在某些特定分布的任務(wù)中表現(xiàn)良好，因此他們使用新公式重構(gòu)了MAML，使模型成為任務(wù)穩(wěn)健的。

1.2 微博情感分類

微博出現(xiàn)后，以其獨特的特性吸引著廣大學(xué)者紛紛投入文本情感分析的研究。研究工作大多仍是基于規(guī)則的方法、基于機器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法。例如，栗雨晴等[19]利用相似度計算的方法對情感詞語知識庫進行擴展，構(gòu)建了一個雙語情感詞典，并采用Gauss混合模型和對稱相對熵的k近鄰算法實現(xiàn)對微博文本的情感分類；劉志明等[20]研究微博文本信息的特征，將機器學(xué)習(xí)算法和特征選擇結(jié)合對微博文本的褒貶進行分類，實驗結(jié)果表明，在特征選擇時使用信息增益的方法，微博情感分類的效果最好。但是由于這些方法過于依賴特征工程，耗費大量人力，越來越多的研究者開始使用深度學(xué)習(xí)的方法解決情感分類問題。Santos等[21]以構(gòu)成單詞的字母為單位，提出基于單詞構(gòu)造的CharSCNN模型（character to sentence convolutional neural network）。CharSCNN模型以CNN為基礎(chǔ)，采用兩個并行的卷積層分別學(xué)習(xí)單詞的構(gòu)造特征和句子的語義特征，充分體現(xiàn)了CNN對文本局部特征抽象和提取能力。該模型在短文本情感二分類時展示了良好的效果。Yao等[22]提出基于Attention的BiLSTM神經(jīng)網(wǎng)絡(luò)，定性捕捉其中有用的語義信息。從句子的兩個方向?qū)W習(xí)語義特征對短文本進行情感分析，在斯坦福樹圖數(shù)據(jù)集與電影評論數(shù)據(jù)集上實驗，證明該模型較無注意力模型的LSTM性能提高3%。Abdi等[23]構(gòu)建了以統(tǒng)計知識、語言知識、情感知識、情感轉(zhuǎn)換規(guī)則和詞語嵌入方面為特征向量的新特征集，并證明了使用該特征集可以有效地提升神經(jīng)網(wǎng)絡(luò)模型的分類準確率。Chen等[24]提出了新模型Tran-sCap（傳輸膠囊網(wǎng)絡(luò)）用于方面級情感分類，膠囊網(wǎng)絡(luò)已廣泛應(yīng)用分類任務(wù)和特征提取，相較于CNN，膠囊網(wǎng)絡(luò)可以保留更多的信息，在該模型中，他們開發(fā)了一種動態(tài)路由方法，將句子級語義表示封裝為來自方面級和文檔級數(shù)據(jù)的語義膠囊，并使其能夠自適應(yīng)遷移學(xué)習(xí)框架。

上述深度學(xué)習(xí)方法在二分類的情感分類任務(wù)上表現(xiàn)良好，但是由于情感多分類問題更細膩，許多情感詞含義之間的區(qū)別十分微妙，深度學(xué)習(xí)方法在情感多分類問題上仍需改進。并且在實際應(yīng)用中，情感分類任務(wù)多樣，在面對新任務(wù)時深度學(xué)習(xí)模型往往需要大量樣本重新訓(xùn)練模型。受此啟發(fā)，本文將元學(xué)習(xí)方法引入情感分類任務(wù)，考察元學(xué)習(xí)分類器在小樣本微博情感多分類任務(wù)中的效果，構(gòu)建了一種基于MAML與BiLSTM的微博負面情感多分類方法，同時使用微博負面情感數(shù)據(jù)集構(gòu)建了情感多分類任務(wù)，并設(shè)置了多個對比實驗，對本文提出的模型進行驗證。

2基于MAML與BiLSTM的模型框架

2.1 微博負面情感數(shù)據(jù)集構(gòu)建

為滿足實驗需求，構(gòu)建了一個新的數(shù)據(jù)集：微博負面情感數(shù)據(jù)集。本文將通過爬蟲程序獲取的微博文本數(shù)據(jù)和網(wǎng)絡(luò)上現(xiàn)有的微博數(shù)據(jù)資源整合，共獲得了120 566條原始數(shù)據(jù)。然后采用人工標注的方法對新浪微博文本數(shù)據(jù)進行標注，標注小組共為8人，均為實驗室成員，具有相關(guān)的專業(yè)知識和正常的認知能力。為了確保數(shù)據(jù)的可用性，采用二輪交叉標注，即每人負責(zé)標注一類標簽數(shù)據(jù)，標注完成后由第二位成員檢驗，當(dāng)對標注結(jié)果出現(xiàn)異議時，由第三位成員進行確認，最終構(gòu)建了一個19 500條數(shù)據(jù)的多標簽數(shù)據(jù)集。

2.2 具體算法與模型架構(gòu)

本文在BiLSTM雙向長短期記憶網(wǎng)絡(luò)的基礎(chǔ)上引入元學(xué)習(xí)方法，構(gòu)建了基于MAML與BiLSTM的微博負面情感多分類方法，整體架構(gòu)如圖1所示。

圖1 模型架構(gòu)Fig.1 Model architecture

2.2.1 詞向量表示層

詞向量表示層為整個模型的輸入，在將實驗需要的數(shù)據(jù)向量化之前，首先要根據(jù)few-shot learning中的實驗設(shè)置隨機抽取樣本。例如5-way 5-shot的設(shè)置，需要從數(shù)據(jù)集中抽取5個類別的樣本，每個類別中的樣本個數(shù)要超過5個。這些樣本將之稱為一個Task，然后將一個Task分為support set和query set。support set包含中5類樣本并且每類樣本個數(shù)為5個，而query set中擁有剩余的所有5類樣本并且通常個數(shù)超過5個以此提高模型的泛化能力。接下來就是數(shù)據(jù)向量化表示階段，此階段需要一個詞典Dd×N，詞典由大規(guī)模語料庫經(jīng)過詞向量化訓(xùn)練之后得到，可直接使用。其中d為詞向量的維度，N為詞語的個數(shù)。而本文的詞向量化表示就是通過預(yù)處理將每條數(shù)據(jù)變成文本序列T={w1,w2,…,wn}，然后根據(jù)T中的每個詞w比照詞典中的詞向量，最終獲得整個文本序列的詞向量表示。

2.2.2 BiLSTM層

對于微博文本數(shù)據(jù)，需要考慮詞語之間的依賴關(guān)系。因此，本文采用BiLSTM算法，這樣既可以同時獲取上下文的語義信息，也可以更充分提取文本中所包含的特征。

LSTM恰好對于長期依賴信息具有很強的學(xué)習(xí)能力，但一般的LSTM模型僅能捕捉文本中正向的語義關(guān)系，對于反向的語義信息無法獲取。因此，本文采用了BiLSTM模型。BiLSTM由正反兩個LSTM模型組成，假設(shè)輸入的文本序列為X={x1,x2,…,xn}，其中xi(i=i1,i2,…,in)為詞向量。正向的LSTM可以學(xué)習(xí)到由x1到xn的語義關(guān)系，反LSTM同理，這樣就能夠同時獲得上下文信息。LSTM由一個個細胞單元組成，并有三個門結(jié)構(gòu)來控制網(wǎng)絡(luò)中的數(shù)據(jù)，它們分別為遺忘門、輸入門和輸出門。具體過程中，首先經(jīng)過的是遺忘門，它用于有選擇地保留上個隱藏狀態(tài)的信息，公式為：

其中，σ為softmax激活函數(shù)，Wf為遺忘門權(quán)值，ht-1為t-1時刻的隱藏狀態(tài)，xt為t時刻的輸入。接下來是輸入門，用于決定當(dāng)前輸入需要保留多少信息，公式為：

其中，Wi、Wc為輸入門權(quán)值。最后為輸出門，獲得輸出以及當(dāng)前時刻的隱藏狀態(tài)，公式為：

其中，Wo為輸出門權(quán)值，ct為當(dāng)前時刻的細胞單元狀態(tài)。在雙向長短時記憶網(wǎng)絡(luò)中，輸入n維詞向量，分別通過前后兩個細胞單元，每個時刻的輸出信息都由兩個細胞單元的輸出連接表示，表示為，并且同時考慮上下文的語義信息。在本模型中，由每個Task中support set的數(shù)據(jù)經(jīng)過BiLSTM層訓(xùn)練，不斷學(xué)習(xí)并更新學(xué)習(xí)器參數(shù)。更新后，再由query set的數(shù)據(jù)經(jīng)過該層訓(xùn)練并計算損失。通過以上的訓(xùn)練過程，可以為元學(xué)習(xí)器的學(xué)習(xí)過程提供所需的信息。

2.2.3 元訓(xùn)練層

元學(xué)習(xí)層目的是使模型可以從少量的新數(shù)據(jù)中快速學(xué)習(xí)新任務(wù)。通過元學(xué)習(xí)，可以用以前的經(jīng)驗指導(dǎo)新的學(xué)習(xí)任務(wù)，從而擁有學(xué)會學(xué)習(xí)的能力。MAML是很適合的算法，它可以很容易地與神經(jīng)網(wǎng)絡(luò)結(jié)合，也可以用于其他各種損失函數(shù)。

MAML直接優(yōu)化學(xué)習(xí)器的初始化參數(shù)，使得學(xué)習(xí)器在面對新任務(wù)時，僅使用少量數(shù)據(jù)計算的一步或多步梯度下降步驟更新參數(shù)后，就可以在新任務(wù)上達到最大泛化性能，也就是擁有了學(xué)會學(xué)習(xí)的能力。具體過程為，從數(shù)據(jù)集中抽取數(shù)據(jù)并分為多個Task，稱為Ti。在T1的support set上經(jīng)過一次梯度下降得到當(dāng)前最適應(yīng)任務(wù)的參數(shù)θ，然后在T1的query set上進行測試，從而得到當(dāng)前任務(wù)的損失LT1f(θ)。接下來，在抽取第二個任務(wù)，得到相應(yīng)任務(wù)的損失，直到得到任務(wù)Tn的損失，并取這些任務(wù)的損失總和：

其中f(θ)為損失函數(shù)，本文使用的為交叉熵損失函數(shù)。最后使用不同任務(wù)上獲得的測試誤差之和作為元學(xué)習(xí)器的優(yōu)化對象，通過梯度下降的方法更新參數(shù)，最終獲得一組初始化參數(shù)，將其運用在fine-tune上，以此獲得本文預(yù)想的模型，使其在微博負面情感分類任務(wù)上，可以僅適用少量數(shù)據(jù)經(jīng)過一次或多次梯度下降就可以達到很好的性能。

3 實驗與分析

3.1 數(shù)據(jù)集

本文使用的實驗數(shù)據(jù)為自行標注的新數(shù)據(jù)集：微博負面情感數(shù)據(jù)集。數(shù)據(jù)集分為訓(xùn)練集和測試集兩部分，每條數(shù)據(jù)包括情感標簽以及文本內(nèi)容。情感標簽總共分為13種，每類標簽擁有1 500條數(shù)據(jù)，共計19 500條。各類情感標簽和數(shù)據(jù)樣例如表1所示。本文在不同模型和數(shù)據(jù)集不同劃分比例兩個維度進行了對比實驗。

表1 微博負面情感數(shù)據(jù)集樣例表Table 1 Sample of microblog negative sentiment data set

首先，根據(jù)以往元學(xué)習(xí)研究的實驗設(shè)置，在模型對比實驗中，設(shè)置的訓(xùn)練集包括8類數(shù)據(jù)，共計12 000條。測試集包括5類，共計7 500條。在此基礎(chǔ)上進行不同模型的對比實驗。

另外，因為數(shù)據(jù)集中包含的類別較少，在本文方法的基礎(chǔ)上采用了不同的類別比例隨機抽取數(shù)據(jù)分別作為訓(xùn)練集和測試集進行比較實驗，研究當(dāng)前數(shù)據(jù)集不同類別比例對實驗結(jié)果的影響。

將微博文本數(shù)據(jù)構(gòu)建成詞向量時，本文使用IMDB數(shù)據(jù)集作為預(yù)訓(xùn)練的詞向量詞典，訓(xùn)練過程使用GloVe模型，參數(shù)均為默認設(shè)置。在對微博數(shù)據(jù)進行分詞時，使用了python中文分詞組件jieba分詞，此外本文還進行了一系列微博文本預(yù)處理，例如繁簡轉(zhuǎn)換、去停用詞、剔除無意義符號等。最終進過詞嵌入過程，得到一個包含46 357個詞的詞向量空間，每個詞的詞向量維度為300。

3.2 實驗參數(shù)設(shè)置

本文兩種實驗使用了相同的參數(shù)，具體的實驗參數(shù)設(shè)置如表2所示。

表2 模型參數(shù)表Table 2 Model parameter table

3.3 實驗對比模型

MNB模型（multinomial naive Bayes）[25]：是傳統(tǒng)機器學(xué)習(xí)代表，曾在大量多分類任務(wù)中取得優(yōu)秀的效果。

MCNN模型（multichannel convolutional neural network）[26]：MCNN模型使用多通道的卷積神經(jīng)網(wǎng)絡(luò)對文本詞向量的表征進行學(xué)習(xí)，從而實現(xiàn)對文本情感的分類，它是較早將神經(jīng)網(wǎng)絡(luò)應(yīng)用于情感分析任務(wù)的模型。

BiLSTM模型：該模型采用Zaremba等[27]描述的LSTM網(wǎng)絡(luò)結(jié)構(gòu)，基于文本的詞向量表示，結(jié)合雙向長短時記憶網(wǎng)絡(luò)捕獲上下文信息進行分類。

Matching nets模型[28]：該模型結(jié)合比較流行的attention結(jié)構(gòu)和記憶網(wǎng)絡(luò)搭建的快速學(xué)習(xí)網(wǎng)絡(luò)，包括特征提取網(wǎng)絡(luò)、記憶網(wǎng)絡(luò)、距離度量網(wǎng)絡(luò)和使用attention模塊的分類網(wǎng)絡(luò)。在訓(xùn)練階段就直接去模仿測試階段時只有少量已標注樣本的情況，模型訓(xùn)練的過程中會將單個support set和一個測試樣本作為輸入同時進行特征提取，之后通過記憶網(wǎng)絡(luò)進一步處理，然后通過距離度量和attention模塊獲得最終預(yù)測值，是few-shot learning中常見的模型。

Meta-learn LSTM模型[13]：該模型作者發(fā)現(xiàn)LSTM的更新規(guī)則與一般的梯度下降算法更新規(guī)則類似，因此訓(xùn)練了一個元學(xué)習(xí)器LSTM，利用LSTM的單元狀態(tài)更新公式，來學(xué)習(xí)參數(shù)更新規(guī)則，從而訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

3.4 實驗結(jié)果分析

3.4.1 模型對比實驗分析

本文算法與其他算法在相同數(shù)據(jù)集上的實驗結(jié)果如圖2、圖3所示。

圖2 5-way 1-shot實驗結(jié)果Fig.2 5-way 1-shot experimental results

圖3 5-way 5-shot實驗結(jié)果Fig.3 5-way 5-shot experimental results

從圖2和圖3的結(jié)果來看，神經(jīng)網(wǎng)絡(luò)模型相較于傳統(tǒng)機器學(xué)習(xí)整體上更加適合微博負面情感分類任務(wù)。通過對比MCNN和BiLSTM模型的實驗結(jié)果，表明在樣本數(shù)量過少情況下，兩者的性能相近，而BiLSTM可以通過后向傳播同時獲得文本數(shù)據(jù)上下文信息，相比MCNN更適用于本任務(wù)。Matching nets是few-shot learning中常見的模型，在情感多分類任務(wù)中擁有不錯性能，相較于BiLSTM在5-way 5-shot實驗中準確率、召回率和F1值分別提高了3.19個百分點、3.87個百分點和4.68個百分點，說明了在文本情感多分類任務(wù)中，記憶增強網(wǎng)絡(luò)可以保留重要信息，但同時一個好的學(xué)習(xí)策略可以使性能繼續(xù)提升。

Meta-learn LSTM在微博負面情感數(shù)據(jù)集上兩次實驗的準確率、召回率和F1值均排在第二位，整體上來說，Meta-learn LSTM的性能明顯超過了前面四種模型，說明元學(xué)習(xí)思想對于微博負面情感分類任務(wù)更加有效。對比BiLSTM-MAML和Meta-learn LSTM模型的實驗結(jié)果，表明BiLSTM-MAML模型在本數(shù)據(jù)集上擁有最好的性能，在5-way 5-shot實驗中擁有明顯的性能提升，準確率、召回率和F1值分別提高了1.68個百分點、2.86個百分點和2.27個百分點?？梢?，在數(shù)據(jù)集樣本為情感類文本數(shù)據(jù)時，學(xué)習(xí)器使用BiLSTM模型可以更加有效地促進元學(xué)習(xí)器學(xué)習(xí)過程，同時也充分證明本文方法的有效性。

3.4.2 數(shù)據(jù)集比例劃分的實驗分析

數(shù)據(jù)集不同類別比例及實驗結(jié)果如圖4所示。

圖4 數(shù)據(jù)集劃分實驗Fig.4 Data set division experiment

經(jīng)過實驗發(fā)現(xiàn)訓(xùn)練集樣本類別數(shù)量過少時分類準確率明顯下降，訓(xùn)練集與測試集數(shù)據(jù)比例為6∶7時準確率僅有60.48%，相較于其他比例有明顯的下降，在比例為8∶5及以上時，隨著訓(xùn)練集樣本類別的增加，準確率有小幅的提升，最高提升了0.66個百分點。從總體實驗結(jié)果來看，在訓(xùn)練樣本充足的情況下，多個比例下的分類準確率趨近，數(shù)據(jù)集類別個數(shù)對實驗影響較小，模型具有一定的穩(wěn)定性。

4 總結(jié)

本文提出了一種基于MAML與BiLSTM的微博負面情感多分類方法，利用現(xiàn)有的情感分析資源和數(shù)據(jù)，構(gòu)建了一個包含13個類別的微博負面情感數(shù)據(jù)集，引入了BiLSTM模型對微博負面情感文本數(shù)據(jù)進行編碼，構(gòu)建語義表示并訓(xùn)練參數(shù)。本文通過將BiLSTM與MAML結(jié)合，有效地提升了小樣本學(xué)習(xí)情況下，模型對于微博文本的情感分析性能。在微博負面情感數(shù)據(jù)集上，本文提出的模型表現(xiàn)出了優(yōu)越的性能和一定的穩(wěn)定性，并在多個指標上超過了當(dāng)前較好的模型，證明了本文在微博負面情感分析方面的有效性。