1.引文

情感分析 知識

當(dāng)training數(shù)據(jù)不足以覆蓋inference階段遇到的特征時，是標(biāo)注更多的數(shù)據(jù)還是利用現(xiàn)有外部知識充當(dāng)監(jiān)督信號？

基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的情感分析方法，經(jīng)常會遇到有標(biāo)注數(shù)據(jù)不足，在實際應(yīng)用過程中泛化能力差的局面。為了彌補(bǔ)這一缺點，學(xué)者們嘗試引入外部情感知識為模型提供監(jiān)督信號，提高模型分析性能。本文從常見的外部情感知識類型出發(fā)，簡要介紹在情感分析中使用知識的一些代表性工作。

2.正文

我們?yōu)槭裁匆粩鄧L試在情感分析中融入知識呢？筆者以為有如下幾點原因：

1）一般的文本分類任務(wù)只提供句子或文檔級別的情感標(biāo)簽，引入情感詞典等先驗情感知識可以給情感文本引入更細(xì)粒度監(jiān)督信號，使得模型能學(xué)到更適合情感分析任務(wù)的特征表示。

2）底層的詞性、句法等分析任務(wù)能給下游的情感分類、抽取任務(wù)提供參考信息，如評價表達(dá)通常是形容詞或形容詞短語，而評價對象通常是名詞；不同情感分析任務(wù)本身存在相互促進(jìn)作用，如評價對象和評價詞在句子中出現(xiàn)的距離通常比較近，聯(lián)合抽取能同時提高兩者的性能表現(xiàn)。

3）短文本評論通常略去了大量的背景常識知識，從文本本身通常難以推斷真實情感傾向性。例如一條有關(guān)大選的推文內(nèi)容是“I am so grateful for Joe Biden. Vote for #JoeBiden!!”，文本中并未涉及任何有關(guān)Trump的描述，要判斷它關(guān)于Trump的立場傾向性時，需要了解的背景知識是，二者是這次大選的競爭對手，支持一個人就意味著反對另一個人。

那情感分析常用的知識又有哪些呢？

2.1 知識的類型及情感分析常用知識庫

依據(jù)對知識獲取途徑的劃分方式[1]，我們簡單總結(jié)了情感分析中常用的知識類型：

顯性知識

一般情感詞典（如MPQA，Bing Liu詞典等），情感表情符；否定詞（Negation）、強(qiáng)化詞（Intensification）、連接詞（Conjunction）等規(guī)則

SentiWordNet

ConceptNet，SenticNet

數(shù)據(jù)

數(shù)據(jù) (Twitter、微博表情符弱標(biāo)注數(shù)據(jù))

領(lǐng)域數(shù)據(jù)集 (例如某一類別商品評論數(shù)據(jù))

學(xué)習(xí)算法

詞法、句法、語義依存等模型

多任務(wù)學(xué)習(xí)算法

預(yù)訓(xùn)練語言模型、詞向量學(xué)習(xí)算法

其中，以情感詞典最為常用。情感分析數(shù)據(jù)通常結(jié)合語言模型算法，產(chǎn)生情感向量表示作為下游任務(wù)輸入；詞法、句法分析模型一般直接為下游情感分析任務(wù)提供特征輸入或者以多任務(wù)學(xué)習(xí)的方式參與到下游情感分析任務(wù)的訓(xùn)練過程中；結(jié)構(gòu)化的外部知識庫通常需要借助圖算法進(jìn)行特征挖掘，為文本提供更豐富的常識、情感上下文信息。

2.2 知識的引入方式及在情感分析部分任務(wù)上的應(yīng)用

下表展示了幾種常見的知識類型及其特點，我們將根據(jù)知識的獲取途徑及引入方式，結(jié)合具體論文闡述其使用方式。

目前，相關(guān)的情感分析工作可以大致分為以下幾類：

引入情感詞典知識

要說情感知識，大部分人首先會想到的就是人工編纂的情感詞典，它簡明直觀、質(zhì)量高、極性明確，使用方便，廣泛應(yīng)用在情感分類、情感元素抽取、情感原因發(fā)現(xiàn)、情感文本風(fēng)格遷移等多種情感分析任務(wù)上。情感詞區(qū)別于非情感詞的地方在于，它們一般表征一定的情感/情緒狀態(tài)，通常情感詞典中還會給出其強(qiáng)度打分。類似的，現(xiàn)在網(wǎng)絡(luò)上流行的部分表情符 (emoj，如:) 、:( 、、)也能表征某些情感/情緒狀態(tài)。

圖1 人工編纂的情感詞典

我們在這里介紹一個同時使用情感詞典中詞的極性和打分的工作，看看前人們是如何在神經(jīng)網(wǎng)絡(luò)中把情感詞的情感信息融入文本的情感表示中的。

給定一段評論文本，Teng等人[2]首先找出其中的情感相關(guān)詞匯（如情感詞、轉(zhuǎn)折詞、否定詞），并計算其對文本整體情感極性的貢獻(xiàn)程度，然后將每個詞的貢獻(xiàn)值乘上其情感得分作為局部的情感極性值，最終加上全局的情感極性預(yù)測值作為整個文本的情感得分。

圖2 同時使用情感詞典中詞的極性和打分

雖然上述工作在計算情感得分時，考慮了not、very等否定詞、強(qiáng)化詞的得分信息，但是沒有顯式把這些詞對周圍詞的情感語義表示的影響刻畫出來，Qian等人[3]考慮到情感詞、否定詞、強(qiáng)化詞在情感語義組合過程中起到的不同作用，對文本建模過程中對不同位置詞的情感分布加以約束。例如，若一個詞的上文是not等否定詞，會帶來not處文本情感語義的翻轉(zhuǎn)。

圖3 對不同位置詞的情感分布加以約束

總體來看，情感詞典作為一種易于獲取、極性準(zhǔn)確的情感知識，能夠在標(biāo)注語料之外，為情感分析提供額外的監(jiān)督信號，既可以提升有監(jiān)督模型的泛化能力，也能夠為半監(jiān)督、無監(jiān)督模型提供一定的指導(dǎo)。

引入大規(guī)模無標(biāo)注語料

語言建模作為一個典型的自監(jiān)督學(xué)習(xí)任務(wù)，其語言模型產(chǎn)生的詞表示作為下游任務(wù)網(wǎng)絡(luò)模型的輸入，表現(xiàn)出優(yōu)越的性能，因而得到廣泛的應(yīng)用。如果能將情感知識融入到語言模型中，其產(chǎn)生的詞表示必然對情感分析各子任務(wù)帶來性能提升。

我們接著介紹一個在詞向量中融入顯式情感詞典知識（實際使用的是表情符）的方法。

Tang等人[4]觀察到，一般的詞向量對于“good”和“bad”這種上下文相近但極性相反的詞，給出的向量表示沒有很強(qiáng)的區(qū)分性，不利于下游的各情感分析任務(wù)。Twitter和微博中有海量包含表情符的文本，利用這些情感極性明確的表情符可以過濾得到大量弱標(biāo)注的情感文本。Tang等人使用這些語料，他們在普通的C&W模型基礎(chǔ)上，引入情感得分相關(guān)的損失，將這些弱標(biāo)注的情感信息融入詞向量表示中，使“good”和“bad”這種上下文相近但情感不同的詞的向量表示有明顯的差異。在情感分類任務(wù)上，他們驗證了融入情感表情符知識的有效性。在此基礎(chǔ)上，他們還進(jìn)一步自動構(gòu)建大規(guī)模情感詞典，該詞典被[2]應(yīng)用到Twitter情感分類任務(wù)上。

圖4 將基于表情符過濾的弱標(biāo)注情感信息融入詞向量表示中

引入外部特征提取算法

除了準(zhǔn)確的情感詞知識，詞法、句法、語義依存信息、評價詞和評價表達(dá)等情感信息在文本的情感語義建模過程中也發(fā)揮了重要作用，這些知識不是顯性存在于大規(guī)模的知識圖譜中，而是存在于對應(yīng)的人工標(biāo)注數(shù)據(jù)中。一般利用學(xué)習(xí)算法從這些數(shù)據(jù)中訓(xùn)練用于提取特征的模型。

Tian等人[5]在近期的預(yù)訓(xùn)練BERT語言模型基礎(chǔ)上，將文本中的評價對象（屬性）、情感詞等情感元素引入Mask Language Model預(yù)訓(xùn)練任務(wù)，進(jìn)一步提高了BERT類模型在多個情感分類數(shù)據(jù)集上的性能。

圖5 將多種情感元素引入Mask Language Model預(yù)訓(xùn)練任務(wù) 同[3]類似，Ke等人[6]在預(yù)訓(xùn)練語言模型中引入詞級別的情感、詞性知識。他們先給每個詞預(yù)測詞性信息，然后依據(jù)詞性信息從SentiWordNet中推斷其情感極性?；讷@得的詞性和情感信息，他們在一般的Masked Language Model基礎(chǔ)上同時預(yù)測這些語言學(xué)標(biāo)簽，實現(xiàn)在預(yù)訓(xùn)練語言模型中注入情感知識。該模型在主流的情感分類、細(xì)粒度情感分析數(shù)據(jù)集上取得了目前最好的結(jié)果，證明引入詞性和情感極性知識在預(yù)訓(xùn)練任務(wù)中的有效性。

圖6在預(yù)訓(xùn)練語言模型中引入詞級別的情感、詞性知識

Sun等人[7]提出在面向?qū)傩缘那楦蟹诸悾ˋBSA）任務(wù)上，引入Stanford parser解析得到的依存樹信息輔助識別評價對象相關(guān)的評價詞。他們將GCN在依存樹上學(xué)習(xí)得到的表示與BLSTM學(xué)習(xí)到的特征結(jié)合，判斷句子針對評價對象的情感極性。

圖7將GCN在依存樹上學(xué)習(xí)得到的表示與BLSTM學(xué)習(xí)到的特征結(jié)合

在外部特征引入方式上，目前方法以兩種方法為主：（1）直接作為特征輸入模型（2）以多任務(wù)學(xué)習(xí)的方式，作為輔助任務(wù)與主任務(wù)一同訓(xùn)練。這些方法的區(qū)別主要在引入特征類別或者輔助任務(wù)的任務(wù)設(shè)計。

引入常識知識

除了情感詞典、情感詞向量、情感預(yù)訓(xùn)練語言模型、文本特征抽取器外，結(jié)構(gòu)化的外部知識也是很常見的一種情感知識來源。它的特點是規(guī)模大，覆蓋面廣，蘊(yùn)含豐富的實體、事件或者常識概念間相關(guān)關(guān)系知識。結(jié)構(gòu)化知識中具備高質(zhì)量的關(guān)系類型，因而適用于需要推理、泛化的情感分析任務(wù)。

一個典型的需要泛化的任務(wù)是跨領(lǐng)域文本情感分類任務(wù)。源端和目標(biāo)端的評價對象、評價詞等情感相關(guān)特征差異較大，訓(xùn)練時模型依賴的源端分類特征未必會在目標(biāo)端文本中出現(xiàn)，如何將這些情感特征進(jìn)行對齊是一個重要且富有挑戰(zhàn)性的問題。一類方法是使用通用情感詞典作為pivot信息，建立源端、目標(biāo)端共享特征的對齊，但這類方法只考慮共享的情感詞信息，且通過文本本身學(xué)習(xí)到的情感表達(dá)對齊也不充分、準(zhǔn)確，同時無法捕獲到不同領(lǐng)域之間評價對象之間鏈接關(guān)系。

而結(jié)構(gòu)化外部知識正好彌補(bǔ)了這些缺點，它蘊(yùn)含情感詞到非情感詞、不同領(lǐng)域評價對象之間的關(guān)聯(lián)關(guān)系。近年由于圖表示算法的進(jìn)步，學(xué)者們能夠更高效的對這些結(jié)構(gòu)化外部知識加以利用。

在跨領(lǐng)域情感文檔情感分類任務(wù)上，Ghosal等人[8]在ACL2020上提出KinGDOM算法， 利用ConceptNet為所有領(lǐng)域構(gòu)建一個小規(guī)模知識圖譜，然后找出每個文檔中獨(dú)有的名詞、形容詞、副詞集合，再依據(jù)從中抽取出一個文檔相關(guān)的子圖，進(jìn)而提供一個由知識庫知識提取而來的特征表示，與文檔本身的情感表示一起做最后的情感分類。

圖8KinGDOM算法

類似地，在跨目標(biāo)立場分類任務(wù)上，Zhang等人[9]利用SenticNet和EmoLex構(gòu)建學(xué)習(xí)帶情緒關(guān)系連接的語義-情緒圖譜（SE-graph），并使用圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）學(xué)習(xí)節(jié)點表示。給定一段文本，他們使用SE-graph為每個詞學(xué)習(xí)構(gòu)建一個子圖并學(xué)習(xí)其表示，得到的外部特征表示送入修改后的BLSTM隱層，與當(dāng)前上下文特征進(jìn)行融合。

圖9基于SE-graph 使用GCN學(xué)習(xí)節(jié)點表示

這兩個工作都使用外部結(jié)構(gòu)知識，擴(kuò)展了輸入特征空間，利用知識庫中的連接將源端和目標(biāo)端的評價詞、評價對象等特征進(jìn)行對齊，極大地豐富了情感上下文信息。

3.總結(jié)

本文介紹了情感分析中引入外部知識的部分工作，簡要介紹了現(xiàn)階段情感分析常用的外部知識，從最常見的情感詞典入手，逐步介紹基于情感詞典的情感詞向量、預(yù)訓(xùn)練語言模型，展示了使用多任務(wù)學(xué)習(xí)融合詞性、依存句法等文本底層特征抽取器的工作，最后介紹了近期熱門的使用結(jié)構(gòu)化外部知識的文本情感遷移學(xué)習(xí)工作。我們可以看出，情感詞典雖然最為簡單，卻是情感知識引入多種引入方式的基石，在情感分析算法中地位無出其右。

對于未來工作，一方面，由于目前的情感分析中知識引入的應(yīng)用場景仍局限在情感分類任務(wù)中，有待擴(kuò)展到情感抽取、情感（多樣性）生成等各個情感分析任務(wù)上；另一方面，在情感分析專用預(yù)訓(xùn)練語言模型中融合結(jié)構(gòu)化外部知識，增強(qiáng)預(yù)訓(xùn)練語言模型對情感分析相關(guān)世界知識的理解仍有待探索。

責(zé)任編輯：lq