融合提示知識(shí)的方面級(jí)情感分析方法

張心月，劉 蓉，魏馳宇，方 可

（華中師范大學(xué) 物理科學(xué)與技術(shù)學(xué)院，武漢 430079）

0 引言

情感分析是自然語言處理中的重要任務(wù)之一。方面級(jí)情感分析是一項(xiàng)細(xì)粒度的情感分析任務(wù)，旨在分析特定方面的情感極性［1］。同一個(gè)句子中不同的方面詞具有不同的情感極性，例如句子“The food was delicous but the service was rude”，對(duì)于方面詞“food”的情感是積極的，而對(duì)于方面詞“service”的情感是消極的。隨著互聯(lián)網(wǎng)的快速發(fā)展，社交網(wǎng)絡(luò)中涌現(xiàn)了大量包含主觀情感傾向的評(píng)論文本，針對(duì)評(píng)論文本的不同方面進(jìn)行情感分析，在商業(yè)、社會(huì)和政治領(lǐng)域都有重要的研究價(jià)值。

方面級(jí)情感分析早期解決方案主要利用知識(shí)工程［1-2］與傳統(tǒng)機(jī)器學(xué)習(xí)相結(jié)合的方法，隨著以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)的快速發(fā)展［3］，基于深度學(xué)習(xí)的情感分析方法能夠自動(dòng)提取文本特征，并逐漸成為主流的情感分析方法。Tang 等［4］提出融入方面詞信息，在長短期記憶（Long Short-Term Memory，LSTM）中進(jìn)行語義編碼，驗(yàn)證了在方面級(jí)情感分析中融入方面詞信息的重要性。為了結(jié)合方面詞和上下文獲得更豐富的語義信息，越來越多的研究引入了注意力機(jī)制。Liu 等［5］提出采用交互注意力機(jī)制來獲得上下文和方面詞的注意力權(quán)重；Chen 等［6］通過將多層注意力機(jī)制與記憶網(wǎng)絡(luò)結(jié)合的方式對(duì)上下文和方面詞進(jìn)行建模；Chen 等［7］采用多頭注意力機(jī)制提取方面詞相關(guān)的上下文情感特征。以上模型的實(shí)驗(yàn)結(jié)果驗(yàn)證了注意力機(jī)制在一定程度上能夠提升方面級(jí)情感分析性能，但此類方法使用GloVe［8］和Word2Vec［9］等傳統(tǒng)詞向量模型獲取文本詞向量表示，無法動(dòng)態(tài)表征上下文信息，針對(duì)長句子的方面級(jí)情感分析具有一定的局限性。

隨著語言模型的不斷發(fā)展，預(yù)訓(xùn)練語言模型BERT（Bidirectional Encoder Representation from Transformers）［10］和ELMo（Embeddings from Language Models）［11］等具有卓越的動(dòng)態(tài)語義表征能力的模型能有效解決長句子的情感分析問題，并逐漸成為情感分析領(lǐng)域的通用模型。Sun 等［12］對(duì)BERT 預(yù)訓(xùn)練模型進(jìn)行微調(diào)，通過使用方面詞構(gòu)造輔助句的方式將方面級(jí)情感分析任務(wù)轉(zhuǎn)化為句子對(duì)的分類問題，實(shí)驗(yàn)結(jié)果表明該方法具有很好的文本分類性能；Xia 等［13］通過基于BERT的上下文感知器對(duì)不同上下文分配注意力，獲得深層次上下文信息；Zhang 等［14］在預(yù)訓(xùn)練模型中引入動(dòng)態(tài)語義，增強(qiáng)了特定方面詞與上下文的語義聯(lián)系。但以上基于預(yù)訓(xùn)練的模型存在以下問題：模型對(duì)方面詞的注意力不足、預(yù)訓(xùn)練模型對(duì)下游任務(wù)的感知能力較弱。為了讓預(yù)訓(xùn)練模型更適配下游任務(wù)，縮小二者之間的差距，模型在調(diào)優(yōu)過程中會(huì)引入額外的參數(shù)和特定于下游任務(wù)的目標(biāo)函數(shù)，探索開銷過大。

Prompt是受GPT-3（Generative Pre-Trained Transformer-3）［15］啟發(fā)的一種新的微調(diào)范式，旨在通過縮小預(yù)訓(xùn)練模型與下游任務(wù)之間的差距，克服預(yù)訓(xùn)練模型的弊端。一般做法為將帶有［MASK］的提示文本插入原始輸入文本，預(yù)訓(xùn)練語言模型預(yù)測［MASK］位置應(yīng)該出現(xiàn)的詞的概率。Li 等［16］初次將Prompt 機(jī)制應(yīng)用于方面級(jí)情感分析任務(wù)，在給定的方面項(xiàng)和觀點(diǎn)項(xiàng)的基礎(chǔ)上，使用可學(xué)習(xí)的連續(xù)向量構(gòu)建提示文本模板。自動(dòng)生成提示文本的研究也引起了研究人員的廣泛關(guān)注。Jiang 等［17］利用基于挖掘和基于釋義的兩種方法自動(dòng)生成多個(gè)候選模板，通過集成不同提示文本以獲得最終提示模板；Gao 等［18］提出通過動(dòng)態(tài)選擇樣本示例的方法自動(dòng)生成提示模板；Liu 等［19］提出利用可訓(xùn)練向量代替自然語言，自動(dòng)生成由可訓(xùn)練向量組成的提示文本；Shin 等［20］利用基于梯度搜索的方案，構(gòu)建自動(dòng)生成的提示文本。但上述自動(dòng)生成提示文本方法的搜索方式比較簡單，生成的提示文本解釋性較差，另外標(biāo)簽詞的準(zhǔn)確映射也是提升模型性能的關(guān)鍵。Schick 等［21］設(shè)計(jì)單個(gè)詞語與標(biāo)簽進(jìn)行一對(duì)一的映射，但人工構(gòu)建的標(biāo)簽詞表具有較片面的語義信息。為了節(jié)省人工成本，獲得擴(kuò)展性較強(qiáng)的標(biāo)簽詞表，有研究提出自動(dòng)生成標(biāo)簽詞表的方法。Schick 等［22］提出先對(duì)標(biāo)簽詞候選空間進(jìn)行過濾，再自動(dòng)搜索最終的標(biāo)簽詞；Gao 等［18］通過多個(gè)標(biāo)簽詞的分配方式，自動(dòng)生成匹配度較高的標(biāo)簽詞。但以上自動(dòng)生成標(biāo)簽詞表的研究中，詞表的搜索空間較廣，模型參數(shù)量較大。

為解決以上問題，本文提出一種融合提示知識(shí)的方面級(jí)情感分析方法，主要工作如下：

1）為解決基于預(yù)訓(xùn)練模型的情感分析存在上下游任務(wù)不一致的問題，本文基于Prompt 機(jī)制設(shè)計(jì)提示文本，將提示文本、原始句子和方面詞三者拼接作為預(yù)訓(xùn)練模型的輸入。一方面增加方面詞與上下文的語義關(guān)聯(lián)，有效建模句子中方面詞和情感詞之間的語義關(guān)系；另一方面使下游任務(wù)更適配預(yù)訓(xùn)練模型，提升模型對(duì)下游任務(wù)的感知能力，充分激發(fā)預(yù)訓(xùn)練模型的潛力。

2）為了控制模型的搜索空間，實(shí)現(xiàn)標(biāo)簽詞與情感極性的準(zhǔn)確映射，本文設(shè)計(jì)由覆蓋范圍廣泛的同義詞組成的標(biāo)簽映射詞表，使模型充分利用標(biāo)簽詞表中豐富的語義特征，從而提升模型的性能。

1 融合提示知識(shí)的方面級(jí)情感分析方法

本文設(shè)計(jì)的方面級(jí)情感分析方法的整體結(jié)構(gòu)如圖1 所示，由提示文本構(gòu)建層、語義編碼層、情感標(biāo)簽詞映射層三部分組成。首先基于Prompt 機(jī)制構(gòu)造提示文本，將它與原始句子上下文和方面詞拼接作為模型的整體輸入；然后通過預(yù)訓(xùn)練模型獲得輸入序列的文本向量表示，將獲得的方面詞、上下文和提示文本三部分語義信息進(jìn)行融合，提高方面詞與上下文之間的交互性；再經(jīng)過情感標(biāo)簽詞映射層進(jìn)行情感極性的映射，獲得最終的情感分類結(jié)果。

圖1 本文方法的結(jié)構(gòu)Fig.1 Structure of the proposed method

1.1 提示文本構(gòu)建層

提示文本構(gòu)建層的主要任務(wù)是基于Prompt 機(jī)制構(gòu)造融合情感知識(shí)的提示文本，添加提示文本不僅有利于模型獲得上下文和方面詞的語義聯(lián)系，還能使情感分析上下游任務(wù)趨于一致，充分發(fā)揮MLM（Masked Language Model）的能力。

Prompt 機(jī)制的核心思想是使用包含［MASK］標(biāo)記的提示文本模擬預(yù)訓(xùn)練模型的訓(xùn)練前目標(biāo)，將情感分析任務(wù)轉(zhuǎn)化為完形填空任務(wù)。本文使用預(yù)訓(xùn)練模型中的MLM 實(shí)現(xiàn)該“完形填空”任務(wù)，僅計(jì)算［MASK］標(biāo)記的損失，對(duì)被隨機(jī)［MASK］遮罩的文本序列進(jìn)行重建，有效捕捉上下文的語義信息。圖2 為MLM 任務(wù)示意圖，如句子“我對(duì)這家的菜很滿意”，通過對(duì)“很”字進(jìn)行掩碼將情感分析任務(wù)轉(zhuǎn)換為完形填空任務(wù)，模型根據(jù)方面詞與上下文的語義聯(lián)系判斷“我對(duì)這家的菜”是否“滿意”，如果“很”的概率大于“不”的概率，說明是正面情感極性，否則就是負(fù)面情感極性，由此完成情感分類任務(wù)的情感極性判斷。

圖2 MLM任務(wù)示意圖Fig.2 Schematic diagram of MLM task

在輸入中添加提示文本，提升模型對(duì)下游任務(wù)的感知能力，可充分激發(fā)預(yù)訓(xùn)練模型的潛力。因此如何設(shè)計(jì)一個(gè)在語義上與情感分析任務(wù)關(guān)聯(lián)程度較高的提示模板是本文的關(guān)鍵，圖3 為本文基于Prompt 機(jī)制的提示文本詳細(xì)設(shè)計(jì)流程。

圖3 提示文本構(gòu)建流程Fig.3 Construction flow of prompt texts

如圖3 所示，將原始輸入句子x的上下文語義信息和句子中的方面詞ai作為情感知識(shí)，根據(jù)情感知識(shí)構(gòu)造提示文本xp，針對(duì)不同領(lǐng)域數(shù)據(jù)集，xp具有不同的組成形式，表1 展示了部分提示文本的設(shè)計(jì)示例。

表1 提示文本設(shè)計(jì)示例（部分）Tab.1 Some examples of prompt texts（partial）

如表1 所示，對(duì)于英文商品評(píng)論數(shù)據(jù)集，提示文本設(shè)置為“it was ［MASK］”。例如原始句子x=The food in this Restaurant is really delicious，經(jīng)過Prompt 機(jī)制處理后的句子為xT=The food in this Restaurant is really delicious，food，it was［ MASK］。其中［MASK］位置對(duì)應(yīng)方面詞“food”的情感極性標(biāo)簽詞，MLM 模型預(yù)測標(biāo)簽詞集v中每個(gè)單詞在［MASK］位置的概率由式（1）表示：

其中：M為預(yù)訓(xùn)練模型；xT為基于Prompt 機(jī)制處理后的文本。

本文采用BERT 模型獲得輸入文本的嵌入向量表示，受Sun 等［12］的啟發(fā)，本文利用句子對(duì)的方式輸入，將以上構(gòu)建的提示文本與原始句子組成的句子對(duì)進(jìn)行輸入，輸入方式如下：

其中：x={x0，x1，…，xn}代表原始輸入語句，n表示句子長度；［CLS］是每個(gè)輸入序列的唯一標(biāo)識(shí)符；［SEP］代表用于分開兩個(gè)輸入句子的標(biāo)識(shí)符；ai為句子中的方面詞；xp代表融合情感知識(shí)的提示文本。

1.2 語義編碼層

語義編碼層通過預(yù)訓(xùn)練語言模型提取并融合原始句子、方面詞和提示文本三部分的表征向量，使語言模型更好地學(xué)習(xí)文本之間的關(guān)聯(lián)性，提取上下文與方面詞間的語義特征。圖4 展示了本文預(yù)訓(xùn)練模型的輸入示例。

圖4 預(yù)訓(xùn)練文本模型的輸入文本示例Fig.4 Example of input text for pre-trained text model

如圖4 所示，預(yù)訓(xùn)練模型的輸入由原始輸入句子、句子中的方面詞以及提示文本組成，將輸入的文本經(jīng)過詞嵌入操作轉(zhuǎn)化為詞向量，通過預(yù)訓(xùn)練模型中的MLM 任務(wù)對(duì)［MASK］標(biāo)記進(jìn)行概率預(yù)測。基于預(yù)訓(xùn)練模型的情感分析中，常用的預(yù)訓(xùn)練模型有ELMo、BERT、XLNet、ALBERT（A Lite BERT）等，其中，BERT 預(yù)訓(xùn)練模型更具有代表性，它基于雙向Transformer 動(dòng)態(tài)地對(duì)文本向量進(jìn)行表征，能夠捕捉原始輸入句子中的雙向語義聯(lián)系。因此本文使用BERT 預(yù)訓(xùn)練模型對(duì)輸入文本進(jìn)行詞嵌入表示，并利用Transformer 編碼器的雙向自注意力機(jī)制獲取每個(gè)詞向量表示與方面詞、提示文本的自注意力特征，提高句子中關(guān)鍵的方面信息和情感信息的權(quán)重，從而提高模型的情感分析性能。圖5 展示了本文語義編碼層的網(wǎng)絡(luò)結(jié)構(gòu)。

圖5 語義編碼層網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structure of semantic encoding layer

如圖5 所示，在BERT 模型的輸入層中，原始輸入語句作為Sentence1，將方面詞和提示文本拼接作為Sentence2，使用［SEP］標(biāo)記將Sentence1 和Sentence2 兩個(gè)子句組成一個(gè)句子對(duì)，并將它作為BERT 的整體輸入。首先將輸入的文本轉(zhuǎn)化為詞向量H0∈RT，h_siz（eT為文本長度，h_size為詞向量維度）；再將獲得的詞向量輸入Transformer 編碼器逐層提取輸入序列的字符級(jí)特征，獲取深層次的雙向本文表示，充分提取方面詞和提示文本的語義特征。此處利用Transformer 編碼器的多頭自注意力機(jī)制計(jì)算方面信息權(quán)重，并根據(jù)整體輸入序列提取上下文語義信息，捕獲句子遠(yuǎn)距離和全局語義特征。Transformer 通過查詢向量Q、鍵向量K和值向量V實(shí)現(xiàn)自注意力機(jī)制，三個(gè)向量由初始詞向量經(jīng)過線性變換映射而得，可由式（3）計(jì)算得出。

其中：l∈[1，L]代表Transformer 編碼器層數(shù)，本文將L設(shè)置為12；Wq、Wk、Wv為可學(xué)習(xí)的超參數(shù)矩陣。為了進(jìn)一步地融合上下文、方面詞與提示文本的語義信息，Transformer 編碼器對(duì)Q、K點(diǎn)積相乘后的向量進(jìn)行歸一化，通過學(xué)習(xí)句子內(nèi)部的詞依賴關(guān)系，計(jì)算每個(gè)字符對(duì)其他字符的注意力權(quán)重，再將注意力權(quán)重與V向量進(jìn)行加權(quán)求和，獲得融合提示知識(shí)的全局向量表示，設(shè)第l(l∈[1，L])層的上下文表示為Hl=可由式（4）得出。

1.3 情感標(biāo)簽詞映射層

為了更好地實(shí)現(xiàn)標(biāo)簽詞到情感極性的映射，本文設(shè)計(jì)情感標(biāo)簽詞表v，根據(jù)詞表與情感極性標(biāo)簽的映射關(guān)系進(jìn)行情感極性預(yù)測。先前有研究提出人工構(gòu)建一一對(duì)應(yīng)的詞表映射器［21］，Positive 類別對(duì)應(yīng)的標(biāo)簽詞為“positive”，Negative 類別對(duì)應(yīng)的標(biāo)簽詞為“negative”，這樣的做法限制了標(biāo)簽詞的覆蓋范圍，具有較大局限性，比如“good”“absolutely”“great”等在語義上也表達(dá)出積極的情感傾向，這些近義詞包含的信息更加豐富。

為了解決上述問題，本文提出一種基于情感知識(shí)的標(biāo)簽映射詞表的構(gòu)造方法。首先從現(xiàn)有情感詞典中選擇積極、中性、消極3 種情感極性分別對(duì)應(yīng)的詞表，該詞表一般由不同粒度的同義詞組成，其中，多詞短語稱為多粒度的情感標(biāo)簽詞。例如，“objective”和“just ok”都是中性類別，“good”和“great fun”都表達(dá)積極情感傾向，這些粒度不同但情感極性相同的同義詞與情感極性類別和標(biāo)簽詞一一對(duì)應(yīng)的詞表相比，包含了更加全面的信息；然后對(duì)詞表進(jìn)行去重和人工刪除罕見情感詞等操作，實(shí)現(xiàn)標(biāo)簽詞表的去噪和提煉；另外，帶有主觀情感傾向的評(píng)論文本通常具有口語化特征，通過手動(dòng)添加口語化同義詞，以完成標(biāo)簽映射詞表的擴(kuò)展。圖6 展示了標(biāo)簽映射詞集的構(gòu)造流程。

圖6 情感標(biāo)簽詞集的構(gòu)造流程Fig.6 Construction flow of sentimental label word sets

情感標(biāo)簽詞表經(jīng)過上述提煉和擴(kuò)展處理后，詞表中包含的同義詞語義信息更加豐富，具有覆蓋范圍廣、主觀性偏差小的特點(diǎn)，部分?jǐn)U展標(biāo)簽詞的示例如表2 所示。公開數(shù)據(jù)集SemEval2014 Task4 中情感極性為三類：Negative、Positive、Neutral。數(shù)據(jù)集ChnSentiCorp 中情感極性為兩類：Negative、Positive。每一種情感極性與多個(gè)意義相近的標(biāo)簽詞對(duì)應(yīng)，比如“good”“wonderful”“great”都對(duì)應(yīng)“Positive”的情感類別，其中每個(gè)類別對(duì)應(yīng)的標(biāo)簽詞數(shù)量可根據(jù)下游任務(wù)的具體情況進(jìn)行設(shè)置。

表2 擴(kuò)展標(biāo)簽詞的示例Tab.2 Examples of expanded label words

當(dāng)預(yù)訓(xùn)練語言模型預(yù)測［MASK］部分在標(biāo)簽詞集上的概率分布時(shí)，將標(biāo)簽詞集v中的單詞概率映射為原始標(biāo)簽集合的概率［23］，其中某個(gè)標(biāo)簽的概率可由式（5）表示：

其中：g表示將標(biāo)簽詞集中每個(gè)單詞在［MASK］位置的預(yù)測概率轉(zhuǎn)換為原始標(biāo)簽預(yù)測概率的函數(shù)，此處為恒等函數(shù)；vy表示原始標(biāo)簽集合中某個(gè)特定類別標(biāo)簽y所對(duì)應(yīng)的詞集。模型訓(xùn)練過程中對(duì)不符合語義的標(biāo)簽詞賦予較小的權(quán)重，以降低它對(duì)預(yù)測的影響，通過歸一化獲得每個(gè)單詞的權(quán)重，計(jì)算方法如式（6）所示：

其中，wv代表為每個(gè)標(biāo)簽詞賦予的可學(xué)習(xí)權(quán)值，它的初始化為0；wu為標(biāo)簽y的權(quán)值。使用arg max 函數(shù)將得分最大的標(biāo)簽作為最終預(yù)測的情感極性結(jié)果，預(yù)測標(biāo)簽如式（7）所示：

其中，s(y|xT)代表定義在輸入句子xT和輸出y上的分?jǐn)?shù)函數(shù)；y'代表訓(xùn)練時(shí)得到的類別標(biāo)簽y的中間過程。采用式（6）得到的av作為平均權(quán)重，將標(biāo)簽詞得分的加權(quán)平均值作為預(yù)測得分，可由式（8）得出：

本文通過最小化交叉熵進(jìn)行訓(xùn)練，損失函數(shù)Lloss如下：

其中：N為樣本數(shù)量；C為分類類別；y代表第i個(gè)樣本的真實(shí)標(biāo)簽代表第i個(gè)樣本的預(yù)測標(biāo)簽。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集與提示文本

為了評(píng)估本文方法的有效性，在公開數(shù)據(jù)集SemEval2014 Task4 和酒店評(píng)論數(shù)據(jù)集ChnSentiCorp 上分別進(jìn)行對(duì)比實(shí)驗(yàn)。

2.1.1 SemEval2014 Task4數(shù)據(jù)集

該數(shù)據(jù)集包含Restaurant 和Laptop 兩個(gè)領(lǐng)域的評(píng)論數(shù)據(jù)，每條評(píng)論數(shù)據(jù)均由評(píng)論語句、語句中的方面詞和方面詞對(duì)應(yīng)的情感極性3 部分組成，情感標(biāo)簽有4 個(gè)類別，分別是：Positive、Negative、Neutral 和Conflict。與大多數(shù)研究一樣，具有“Conflict”情感極性的樣本數(shù)量非常少，因此在本文實(shí)驗(yàn)中刪除了此類別。該數(shù)據(jù)集的分類統(tǒng)計(jì)情況如表3 所示。

表3 SemEval2014 Task4數(shù)據(jù)集Tab.3 SemEval2014 Task4 datasets

根據(jù)該數(shù)據(jù)集的語言特征，通過以下4 種方式構(gòu)造有遮蔽的提示文本，其中［x］代表原始輸入文本，［a］代表方面詞，［T］代表可學(xué)習(xí)的連續(xù)向量。

1）［ x］，［ a］，it was［ MASK］

2）［ a］，it makes me feel［ MASK］，［ x］

3）［ x］，［ a］［ T］［ T］［ T］［ MASK］［ T］［ T］

4）［ a］［ T］［ T］［ T］［ MASK］［ T］［ T］，［ x］

2.1.2 ChnSentiCorp數(shù)據(jù)集

酒店評(píng)論ChnSentiCorp 數(shù)據(jù)集的每條評(píng)論數(shù)據(jù)由評(píng)論語句和情感極性組成，數(shù)據(jù)集評(píng)論樣本示例如表4 所示，其中“1”和“0”分別代表情感極性“Positive”和“Negative”。該數(shù)據(jù)集共10 000 條語料評(píng)論，包括5 000 條積極評(píng)論和5 000 條消極評(píng)論，按照正負(fù)樣本的分布隨機(jī)將數(shù)據(jù)集按9∶1 劃分為訓(xùn)練集和測試集。

表4 ChnSentiCorp數(shù)據(jù)集樣例Tab.4 Examples of ChnSentiCorp dataset

該數(shù)據(jù)集的提示文本構(gòu)造方式如下：

1）［ x］，是好評(píng)嗎？［MASK］

2）我覺得這家酒店很［MASK］，［x］

3）［ x］，［ T］［T］［T］［ MASK］［ T］［ T］

4）［ T］［ T］［ T］［ MASK］［ T］［ T］，［ x］

2.2 實(shí)驗(yàn)參數(shù)設(shè)置和評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)采用CentOS7 操作系統(tǒng)，配備Tesla V100 32 GB顯卡，使用PyThon3.7 開發(fā)環(huán)境和PyTorch1.7.0 開發(fā)框架。其中SemEval2014 Task4 的兩個(gè)領(lǐng)域數(shù)據(jù)集由于具有相同的數(shù)據(jù)類型，所以參數(shù)相同，本文用SemEval2014 統(tǒng)一表示這兩個(gè)領(lǐng)域數(shù)據(jù)集，實(shí)驗(yàn)超參數(shù)配置如表5 所示。

表5 實(shí)驗(yàn)配置Tab.5 Experimental configuration

為驗(yàn)證本文方法的情感分類效果，本文采用準(zhǔn)確率（ACCuracy，ACC）和F1 值（F1-score，F(xiàn)1）作為評(píng)價(jià)指標(biāo)，F(xiàn)1 值對(duì)于不均衡樣本具有較好的衡量效果，將分類正確的樣本數(shù)量記為T，數(shù)據(jù)樣本總數(shù)量記為N。評(píng)價(jià)指標(biāo)的計(jì)算方式如式（10）、（11）所示。

其中：P表示精準(zhǔn)率；R表示召回率。F1 值對(duì)于不均衡樣本具有較好的衡量效果。

2.3 對(duì)比實(shí)驗(yàn)與結(jié)果分析

為了進(jìn)一步驗(yàn)證本文設(shè)計(jì)的方面級(jí)情感分析方法的性能，將它與幾種主流情感分析模型進(jìn)行對(duì)比，對(duì)比模型如下：

Glove-TextCNN：通過GloVe［8］預(yù)訓(xùn)練的詞向量對(duì)文本進(jìn)行詞嵌入表示，使用不同大小卷積核進(jìn)行卷積，并將卷積結(jié)果進(jìn)行最大池化后輸入線性層進(jìn)行文本情感分類。

ELMo-Transformer［24］：通過ELMo 對(duì)文本進(jìn)行詞嵌入操作，將生成的ELMo 詞向量輸入Transformer 進(jìn)行情感分類。

BERT-pair［12］：通過構(gòu)造輔助句，在BERT 模型中輸入原始文本和方面詞組成的句子對(duì)，再經(jīng)過線性層將最終文本向量轉(zhuǎn)化為預(yù)測結(jié)果。

BERT-TextCNN［25］：通過BERT 對(duì)文本進(jìn)行編碼，并使用多尺寸卷積濾波器對(duì)輸入文本進(jìn)行卷積操作，將詞嵌入結(jié)果輸入線性層以獲得文本的情感極性。

BERT_BiLSTM［26］：首先通過BERT 獲取文本詞向量，再通過雙向長短期記憶（Bi-directional LSTM，BiLSTM）捕獲深層次上下文關(guān)聯(lián)信息，最后經(jīng)過全連接層獲得分類結(jié)果。

BMLA（BERT and Multi-Layer Attention）［27］：利 用BERT提取多層方面注意力信息，將編碼后的方面信息與BERT 隱藏層向量進(jìn)行級(jí)聯(lián)，以獲取特定方面詞的極性表達(dá)。

P-tuning［28］：利用可訓(xùn)練的向量實(shí)現(xiàn)自動(dòng)構(gòu)建提示文本模板，使用BiLSTM 對(duì)模板中的初始化向量進(jìn)行表征，增加嵌入向量之間的相關(guān)性。

在SemEval2014 數(shù)據(jù)集上各模型的實(shí)驗(yàn)結(jié)果如表6所示。

表6 SemEval2014數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 單位：%Tab.6 Experimental results on SemEval2014 dataset unit：%

從表6 可知，本文方法在SemEval2014 的兩個(gè)領(lǐng)域數(shù)據(jù)集上都取得了比其他對(duì)比模型更好的分類性能。本文方法在Laptop 和Restaurant 數(shù)據(jù)集上，F(xiàn)1 分別達(dá)到了75.2%和77.42%，與對(duì)比模型相比提高了1.02～9.58、0.65～10.71 個(gè)百分點(diǎn)；與對(duì)比模型中分類性能最強(qiáng)的P-tuning 模型相比，F(xiàn)1 分別提升1.02 和0.65 個(gè)百分點(diǎn)。在Restaurant 數(shù)據(jù)集上，基于BERT 改進(jìn)的模型分類效果最好的是BMLA 模型，但它的F1 比基于Prompt 機(jī)制的P-tuning 模型低1.86 個(gè)百分點(diǎn)，說明基于Prompt 機(jī)制進(jìn)行改進(jìn)的模型表現(xiàn)更優(yōu)異，驗(yàn)證了添加提示文本在提高方面級(jí)情感分類任務(wù)的性能方面有一定的優(yōu)勢，說明了本文方法的有效性。

為了驗(yàn)證本文方法的泛化性，將本文方法與其他基準(zhǔn)模型在相同的實(shí)驗(yàn)環(huán)境下進(jìn)行實(shí)驗(yàn)對(duì)比，在具有單個(gè)方面項(xiàng)的酒店評(píng)論數(shù)據(jù)集ChnSentiCorp 上進(jìn)行情感極性分類，實(shí)驗(yàn)結(jié)果如表7 所示。

表7 ChnSentiCorp數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果 單位：%Tab.7 Experimental results on ChnSentiCorp dataset unit：%

由表7 可知，本文方法在該數(shù)據(jù)集上的準(zhǔn)確率和F1 分別達(dá)到94.91%和94.89%，均優(yōu)于其他對(duì)比模型，F(xiàn)1 提高了0.83～6.40 個(gè)百分點(diǎn)。未加入提示知識(shí)的模型中，BERTBiLSTM 模型分類性能最優(yōu)，本文方法的準(zhǔn)確率和F1 值與它相比分別提升0.86 和0.83 個(gè)百分點(diǎn)；而Prompt 領(lǐng)域?qū)?biāo)簽詞與類名稱一一對(duì)應(yīng)的P-tuning 模型，因其自動(dòng)構(gòu)建的提示文本解釋性較差，缺乏覆蓋范圍廣泛的映射詞表，導(dǎo)致最終的分類效果不佳，該模型在ChnSentiCorp 數(shù)據(jù)集上的F1 值僅為89.82%，本文方法與它相比提升了5.07 個(gè)百分點(diǎn)。本文通過對(duì)標(biāo)簽詞空間進(jìn)行建模，預(yù)設(shè)標(biāo)簽詞的預(yù)測范圍，控制模型的搜索空間，驗(yàn)證了本文加入提示知識(shí)和構(gòu)建標(biāo)簽映射詞表的有效性。

由表6 和表7 的實(shí)驗(yàn)結(jié)果可知，Glove-TextCNN 和ELMo-Transformer 與其他使用BERT 進(jìn)行詞嵌入的情感分析模型相比，情感分析性能最差，驗(yàn)證了BERT 預(yù)訓(xùn)練模型具有更出色的詞向量表示能力。為進(jìn)一步驗(yàn)證本文方法提示文本構(gòu)建模塊和情感標(biāo)簽詞映射模塊的有效性，本文設(shè)置消融實(shí)驗(yàn)進(jìn)行探究，不同實(shí)驗(yàn)分組的F1 值如表8 所示。其中：PT（Prompt Text）代表提示文本構(gòu)建模塊，SV（Sentimental Verbalizer）代表情感標(biāo)簽詞映射模塊，其余實(shí)驗(yàn)參數(shù)設(shè)置全部相同。

表8 消融實(shí)驗(yàn)結(jié)果Tab.8 Results of ablation experiment

實(shí)驗(yàn)組1 僅采用BERT 模型進(jìn)行微調(diào)。實(shí)驗(yàn)組2 采用原始輸入文本對(duì)BERT 模型進(jìn)行微調(diào)，并對(duì)標(biāo)簽詞進(jìn)行擴(kuò)展，與實(shí)驗(yàn)組1 相比，模型在3 個(gè)數(shù)據(jù)集上的F1 值分別增加了5.16、3.45、2.52 個(gè)百分點(diǎn)。實(shí)驗(yàn)組3 添加提示文本構(gòu)建模塊，將標(biāo)簽詞與情感極性類別設(shè)置為一對(duì)一映射的關(guān)系，與實(shí)驗(yàn)組1 相比，模型在3 個(gè)數(shù)據(jù)集上的F1 值分別增加了6.08、5.68、2.59 個(gè)百分點(diǎn)。實(shí)驗(yàn)組4 即本文方法，同時(shí)引入提示文本構(gòu)建模塊和情感標(biāo)簽詞映射模塊，它的F1 值相比其他3 種情況結(jié)果最優(yōu)，說明本文方法的提示文本構(gòu)建模塊和標(biāo)簽詞的擴(kuò)展有利于模型獲取文本間潛在的語義關(guān)聯(lián)。

為了驗(yàn)證本文方法的時(shí)間性能，將本文方法與部分基準(zhǔn)模型在相同的實(shí)驗(yàn)環(huán)境下進(jìn)行實(shí)驗(yàn)對(duì)比，表9 為不同模型在ChnSentiCorp 數(shù)據(jù)集和SemEval2014 兩個(gè)領(lǐng)域數(shù)據(jù)集上完成10 次迭代的平均訓(xùn)練時(shí)間。

表9 不同方法完成10次迭代的平均訓(xùn)練時(shí)間 單位：minTab.9 Average running time of ten iterations of different methods unit：min

由表9 可以看出，與P-tuning 和BERT-BiLSTM 模型相比，本文方法在每個(gè)數(shù)據(jù)集上的訓(xùn)練時(shí)間最少。其中，BERTBiLSTM 模型由于神經(jīng)網(wǎng)絡(luò)計(jì)算相對(duì)復(fù)雜，導(dǎo)致計(jì)算時(shí)間較長；P-tuning 模型自動(dòng)構(gòu)建提示文本時(shí)引入較多可學(xué)習(xí)參數(shù)量，訓(xùn)練時(shí)間代價(jià)最高。本文實(shí)驗(yàn)數(shù)據(jù)集的評(píng)論樣本長度較長，而提示文本長度較為簡短，由于添加提示文本所導(dǎo)致的計(jì)算量的增加可以忽略不計(jì)，同時(shí)，添加提示文本能夠解決BERT 模型上下游任務(wù)不一致的問題，避免引入額外參數(shù)，對(duì)時(shí)間性能的影響比較小；標(biāo)簽映射詞表能夠預(yù)設(shè)標(biāo)簽詞的預(yù)測范圍，控制模型的搜索空間，時(shí)間效率有一定程度的提升，說明構(gòu)建合適的提示文本不僅可以提升情感分析性能，而且還減少了訓(xùn)練時(shí)間開銷，進(jìn)一步驗(yàn)證了本文方法的有效性和可行性。

3 結(jié)語

本文提出了一種融合提示知識(shí)的方面級(jí)情感分析方法。首先構(gòu)建融合情感知識(shí)的提示文本，該提示文本與方面級(jí)情感分析任務(wù)具有較緊密的語義關(guān)聯(lián)，將提示文本與上下文和文本中的方面詞拼接輸入預(yù)訓(xùn)練模型，通過提示知識(shí)引導(dǎo)預(yù)訓(xùn)練模型，縮小預(yù)訓(xùn)練模型和下游任務(wù)之間的差距。本文使用BERT 預(yù)訓(xùn)練模型獲取文本向量表示；然后設(shè)計(jì)基于情感知識(shí)的標(biāo)簽映射詞表，擴(kuò)展標(biāo)簽詞的預(yù)測范圍，使模型有效提取標(biāo)簽詞集中豐富的語義知識(shí)。與對(duì)比模型相比，實(shí)驗(yàn)結(jié)果表明本文方法擁有更好的分類性能和時(shí)間性能。在未來的研究中，將進(jìn)一步優(yōu)化提示文本和標(biāo)簽映射詞表的設(shè)計(jì)方式，繼續(xù)提升本文方法在方面級(jí)情感分析任務(wù)中的性能。