使用神經(jīng)網(wǎng)絡(luò)進(jìn)行微博情緒識(shí)別與誘因抽取聯(lián)合模型的說(shuō)明

　　情緒誘因抽取作為深層次的文本情緒理解已成為情緒分析任務(wù)中的新熱點(diǎn)，當(dāng)前研究通常把誘因抽取和情緒識(shí)別看作兩個(gè)獨(dú)立的任務(wù)，容易導(dǎo)致錯(cuò)誤在任務(wù)間的傳播問(wèn)題?？紤]到情緒識(shí)別及誘因抽取是相互作用的，以及微博文本中表情符通常表達(dá)文本的情緒，提出了一種基于雙向長(zhǎng)短期記憶條件隨機(jī)場(chǎng)（ Bi-LSTM-CRF）模型的情緒誘因和表情符情緒識(shí)別的聯(lián)合模型。該模型將情緒誘因抽取以及情緒識(shí)別形式化為一個(gè)統(tǒng)一的序列標(biāo)注問(wèn)題，充分利用了情緒誘因與情緒之間的互相作用，將情緒誘因的抽取和情緒識(shí)別同時(shí)進(jìn)行。實(shí)驗(yàn)結(jié)果表明，該模型在誘因抽取任務(wù)中的F值為82.70%，在情緒識(shí)別任務(wù)中的F值為74.74%，相比串行模型的F值分別提高5.82和17. 12個(gè)百分點(diǎn)，這個(gè)結(jié)果表明聯(lián)合模型能夠有效降低任務(wù)串行進(jìn)行時(shí)的誤差傳遞，同時(shí)提高了誘因抽取和情緒識(shí)別的F值。
?

　　情緒分析是自然語(yǔ)言處理領(lǐng)域特別是社交媒體領(lǐng)域非常重要的研究?jī)?nèi)容之一，主要研究文本所蘊(yùn)含的情緒及與情緒相關(guān)的深層信息。目前文本的情緒分析主要集中在情緒識(shí)別任務(wù)上，如文本的情緒極性分析，等對(duì)文本的正負(fù)面情感程度進(jìn)行了研究；或判斷文本的情緒是高興、喜歡、討厭等。就對(duì)微博文本的情緒分類進(jìn)行了探索。

?

　　為了實(shí)現(xiàn)深層次的文本情緒理解，情緒誘因抽取。已成為情緒分析中新的熱點(diǎn)問(wèn)題，所謂情緒誘因抽取就是針對(duì)文本中出現(xiàn)的被描述者的情緒，抽取出被描述者情緒產(chǎn)生的原因信息。當(dāng)前對(duì)情緒誘因的抽取主要分為兩類方法：一類是基于規(guī)則的方法。主要是通過(guò)語(yǔ)法規(guī)則構(gòu)造情緒誘因與情緒之間的模板進(jìn)行情緒誘因的抽?。贿€有一類是基于統(tǒng)計(jì)的方法。主要通過(guò)條件隨機(jī)場(chǎng)（ Conditional Random Field，CRF）和支持向量機(jī)（Support Vector Machine，SVM）分類器等方法進(jìn)行情緒誘因的抽取。