基于用户评论的方面级情感分析技术研究

作     者：张子欣 

作者单位：中央民族大学 

学位级别：硕士

导师姓名：胥桂仙

授予年度：2023年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：方面级情感分析 方面术语 方面类别 成分句法分析 Bi-LSTM 

摘      要：社交网络中的用户评论文本蕴含着丰富的情绪信息,用户的评价对象往往都包含着一种或多种不同的方面。全面、准确地提取用户对不同方面的情感极性,能够帮助政府有针对性的进行舆情监控,并做出精准的响应。方面级情感分析技术旨在挖掘用户对不同方面所表达的情绪信息,下游包括多个子任务且都会影响整体任务的发展进程。方面术语抽取和方面类别情感分析是方面级情感分析的两个重要子任务,本文主要针对这两个任务目前存在的问题,分别提出了对应的改进方法。主要工作内容如下:(1)本文提出了一种基于成分分析和Attention-BiLSTM的方面术语抽取方法。针对现有的大多数方面术语抽取模型在短语级方面术语抽取上性能不足的问题,首先采用成分句法分析技术生成成分解析树来捕获句子中的重要句法结构,然后为了帮助任务进行目标术语边界的识别,利用格结构(Lattice Structure)从成分解析树中构造选区格,提出基于选区格编码的Attention-BiLSTM模型生成更加有效的向量表示,最后经过CRF模型实现对方面术语的抽取。在两个数据集上评测该方法的性能,实验结果表明,相对于多种基线模型,该方法在两个数据集上分别提高了 3.88%-6.93%和0.11%-4.69%,能够较为准确地抽取出用户评论文本中的方面术语。(2)本文提出了一种基于预训练Bi-LSTM和句法感知图注意力网络的方面类别情感分析方法。针对目前方面级情感分析标注数据相对稀缺的现状,提出利用迁移学习的方式,首先使用Bi-LSTM模型在文档级情感分析数据集上进行预训练,将得到的预训练参数迁移到方面级任务的模型上,实现了对大量文档级情感分析数据中相关领域知识的有效学习。然后提出一个句法感知图注意力网络模型,通过使用句法分析技术和图注意力网络,充分利用了文本中的句法结构和语义信息,并结合Bi-LSTM模型在预训练中学习到的知识,实现一个方面类别情感分析任务。在五个用户评论文本数据集上进行该方法的性能评测,并综合消融实验证明,该方法相较于所有基线模型表现最优,能够较为精准地进行方面类别情感分析任务。本文利用多种用户评论文本的公开数据集,通过详细的实验证明了所提出方法的有效性和精确性。实验结果表明,与多种对比模型相比,本文提出的方面术语抽取方法和方面类别情感分析方法获得了更好的效果。