基于AT―LSTM弹幕评论情感分析.docVIP

基于AT―LSTM弹幕评论情感分析 　　摘要：弹幕评论能更准确、具体地反映出用户在观看视频时的即时情感和褒贬评价，因此本文提出了一种基于注意力机制的LSTM（AT-LSTM）情感分析模型。首先基于注意力机制更好的挖掘出整个弹幕评论中的情感关键词；然后利用LSTM模型有效结合视频中前后弹幕评论的情感依赖关系，最终提取出基于主题的“高光”视频片段。实验结果表明所提方法的准确度比传统LDA和LSTM方法有了进一步的提高。该模型可以帮助用户更准确的获取网络视频弹幕数据中包含的情感信息，进而提供了一种新的视频检索与视频推荐新途径。 　　关键词：深度学习；弹幕评论；情感分析；AT-LSTM 　　中图分类号：G206 文献标识码：A 文章编号：1007-9416（2018）02-0210-03 　　1 引言 　　弹幕视频是近年来出现的一种将观众评论与视频内容相结合的视频形式，融合了视频与社交元素。用户可以在观看视频的同时发表评论，且弹幕评论会以弹幕的形式实时出现在视频上。 　　弹幕评论数据包含评论文本及其对应的视频时间点信息，因此与一般的评论数据相比，弹幕数据能更准确、具体地反映出用户在观看视频时的即时情感和褒贬评价，这些情感和评价信息可以为其他用户在选择视频时提供参考。利用情感分析技术从网络视频弹幕中提取情感信息，可以帮助用户获取视频评论文本整体的情感倾向，以及评论情感随时间的变化情况。随着弹幕功能在各大主流视频网站的推广，弹幕评论中的观点和情感表达将更具普遍性和参考性。在弹幕评论情感分析的基础上，可以建立根据评论情感的视频检索新途径，满足更多元、个性化的检索需求。 　　本文结合弹幕视频特性设计一种基于注意力机制的LSTM情感分析模型（AT-LSTM）来提取视频中的精彩片段： 　　（1）有效的分析了视频中弹幕评论的前后相关性，从而更准确的获得弹幕评论的主题信息。（2）依据主题模型对弹幕中的词进行主题分类并计算视频片段之间的情感相似度，得到基于主题分布的精彩视频片段。（3）通过加入注意机制突出了弹幕评论中关键性情感词的影响作用，进一步提高了模型的准确率。 　　2 相关工作 　　2.1 弹幕定义 　　弹幕：弹幕可以定义为一个三元组，其包含了用户输入内容、发送时间、用户ID。本文主要对中文、英文、数字三种形式的弹幕内容进行分析，其中英文弹幕包含了部分网络用语，如“QAQ”（ 表示哭泣）等；数字部分包含了常用网络流行词，如“233”（表示大笑）和“666”（表示厉害）等。 　　如图1所示不同语言的弹幕形式，弹幕视频截图上方的文字为用户发送的弹幕。 　　2.2 “高光”视频片段 　　“高光”视频片段：本文的宗旨就是找出弹幕视频的情感鲜明突出的“高光”视频片段（“Highlights” video shots）。所谓“高光”视频片段，即视频中的精彩片段，是指用户对视频某一部分内容带有强烈感情色彩讨论。 　　通过研究发现，视频弹幕评论包含有一定的“时间相关性”，即当用户发送弹幕评论Ci时，他们可以参考当前以及先前的弹幕评论内容，因此，相邻的评论在语义向量上可能是相似的，当视频呈现一段精彩内容时（高光片段），用户通过大量参与评论从而产生了对应的“主题”。基于这种现象，我们在弹幕评论Ci周围的一定区域Aj=（视频片段的长度为te-ts），则我们把具有某种主题T的评论的视频片段Aj称之为“高光”视频片段。 　　2.3 Attention-based LSTM（AT-LSTM） 　　LSTM（Long Short Term Memory）是一种有效的链式循环神经网络（Recurrent Neural Network，RNN），被?V泛用于语言模型、机器翻译、语音识别等领域。标准的LSTM检测不到弹幕评论中重要的情感评论。为了解决这个问题，我们建立了一种注意机制，它可以捕捉句子的关键部分的注意力机制。 　　文本的输入序列为输入序列{x1，x2，x3，…，xt}作为历史节点，历史节点的输入向量的累加求均值，得到文章总体的输入向量表示X’，X’作为编码阶段最后的输入。{h1，h2，h3，…，ht}对应于输入序列{x1，x2，x3，…，xt}的隐藏层状态值。Ht对应于输入X’的隐藏层状态值。 　　图2中的ai就是历史节点对于最后节点的注意力概率。Ai越大表示这个词在弹幕评论中的情感语义越重要。图中输入序列{x1，x2，x3，…，xt}是弹幕评论文本的词语表示，X’是弹幕评论总体的输入向量表示。计算出{x1，x2，x3，…，xt}对于弹幕评论总体的影响力权重，可突出关键词的作用，减少非关键词对于文本整体语义的影响。 　　aki= （公式2-1） 　　eki=vtanh（Whk+Uhi+b） （公式2-2） 　　其中aki表示