传统情感分类方法与基于深度学习的情感分类方法对比分析.docxVIP

? ? 传统情感分类方法与基于深度学习的情感分类方法对比分析 ? ? 段传明 Summary： 情感分类是自然语言处理的一个重要分支，情感分类方法包括传统的基于情感词典的方法和基于机器学习的方法，以及最新的基于深度学习的方法。为了探索情感分类的实现方法和研究进展，对传统的情感分类方法和基于深度学习的情感分类方法进行对比，并对深度学习LSTM原理进行了简要描述，可以发现基于深度学习的情感分类方法在情感分类上具有更大优势。 Key： 情感分类；神经网络；深度学习；词向量；word2vec；LSTM DOIDOI：10.11907/rjdk.172867 ：TP301 ：A2018）001002203 Abstract：Sentiment classification is an important branch of natural language processing.Sentiment classification methods include traditional methods， including the semantic lexicon method，and the machine learning method， and the latest method is based on deep learning. In order to explore the realization method and research progress of sentiment classification， compares the traditional methods and the latest method based on deep learning， and gives a brief description of LSTM principle of deep learning， It can be found that the sentiment classification based on deep learning has a greater advantage. Key Words：sentiment classification； neural network； deep learning； word embedding； word2vec； LSTM 0引言 情感分类一直是自然语言处理的一个重要分支，其目的是为了找出评论者或作者在某些话题上或针对某一产品的观点态度。情感分析在舆情监控、金融投资等方面均有广泛应用。传统的情感分类主要有基于情感词典的方法和基于机器学习的方法，其中基于情感词典的方法在很多方面受限于情感词典的质量和覆盖度，而基于机器学习的方法又受限于由人工构建、抽取的特征。随着近几年深度学习技术在自然语言处理领域取得了巨大进展，越來越多的研究人员开始采用深度学习处理文本分类方法。 1基于情感词典的文本情感分类 在情感词典的研究方面，2008年，林鸿飞教授等[1]在已颇具成果的研究基础上，构建了一个中文情感词语本题库。基于情感词典的文本分类是对人脑的简单模拟，其核心模式是基于词典和规则，即以情感词典作为判断评论情感极性的主要依据[2]。如图1所示，它是根据以往经验对现有词汇作出评价的一种模型。比如在生活中，通常把糟糕、腻烦归为消极词，把开心、愉悦作为积极词。通过一个句子中出现的感情词，从而判断该句子的感情极性。 根据图1所示的基于情感词典的情感分类方法可以看出，基于情感词典的文本情感分类是容易实现的，其核心在于情感词典（类似于大脑语料库）的训练。基于情感词典感情分类主要依赖于情感词典构建和判断规则质量。而词典构建和判断规则质量两者都需要耗费很多人力，包括人工设计和人们的先验知识。 2基于机器学习的情感分类 Pang等[3]于2002年初次提出使用标准的机器学习方法解决情感分类问题。由图2可以看出，基于机器学习技术的情感分类研究工作主要需要进行模型的训练。情感分类中常用的特征有Ngram特征、句法特征等[4]。这类方法仍然依赖于人工设计，研究过程中也容易受到人为因素影响。而且人工设计的特征具有领域限制性，在某一领域的特征集不一定适应另一个领域。此外，模型的训练依赖于标注数据集的质量，这些高质量的数据集也需要投入大量人工成本。 3基于深度学习模型的情感分类 随着神经网络成为目前关注的热点，越来越多学者开始尝试使用深度学习解决情感分类问题。深度学习模型在不同应用问题上的推广能力已得到一定验证[5]，情感分析作为自然语言理解的重要应用之一，也受到人们关注。传统神经网络无法处理前后关联的问题（例如一个句子），而深度学习模型RNN解决了该问题。然而，随着距离与先验知识的增加，