lstm训练情感分析的优点_深度语义理解在剧本角色情感分析中的探索与应用

1. 背 景

剧本分析是内容生产链条的第一环，因此，我们结合专家经验知识、大数据与自然语言处理技术来帮助业务部门快速分析和评估剧本。评估体系中涉及到了大量关于角色的分析，其中角色的情感分析是非常重要的一个任务。

不同于通常的评论类短文本，剧本有其独有的业务特点，因此任务的目标和建模与通常的任务区别较大。本文将系统的介绍情感分析领域相关的内容，以及爱奇艺在剧本分析中针对角色进行细粒度情感分析所做的工作。

2. 常见的情感分析任务的分类

2.1

传统的情感分析

传统的情感分析，通常是对一句话，或者一段话做出一个总的情感判定(积极、消极、中性)，可以看做是一个文本分类任务。通常的方法分为：词法规则分析、算法模型分析、混合分析。

【词法规则】

使用词法分析将输入文本转换成词序列，然后依次和一个预先准备好的字典进行匹配。如果是积极的匹配，那分数就增加；如果是消极的匹配，分数就减少。文本的分类取决于单词序列的总得分。当然，计算公式上可以有一些变化，不一定是单纯的线性加减。

这个方法的优点是简单、快速；缺点是准确度偏低，且效果和性能很大程度取决于人工构建的字典。

【算法模型分析】

情感分析任务中通常是使用有监督的模型，一般可以分成三个阶段：数据收集、预处理、训练分类。可以使用NB、LR、SVM等传统机器学习算法，以及CNN、RNN系列等深度学习算法。

传统的机器学习方法，特征的构建很重要，这是决定准确率的关键。特征构建方法也很多。比如：N-grams、积极/消极词汇的数量、文本长度等。深度学习时代，关键是网络结构的设计、以及语料的构建。

【混合分析】

工业应用上，很多时候都是将“词法分析”与“算法模型分析”两种方法相结合进行使用。一些研究者在这方面做了大量工作。一般都是先利用字典对原文本进行处理转化、然后再利用算法模型来进行分类。

随着深度学习的发展，特别是Bert这些预训练模型的出现，大家的重心和焦点都发现了变化。从原来研究各种数据处理、特征提取的trick，转为研究如何设计网络、如何转化问题以最大程度利用预处理模型。

2.2

target-dependent 情感分析

与典型情感分析任务不同，target-dependent情感分析是研究基于目标的情感。给定一个句子和句子相关的一个对象，判断句子针对给定的对象的情感倾向。

例如，有句子：“张三在学校里很受大家欢迎，但是邻居李四不太受欢迎 ！”

其中，基于目标“张三”，句子的情感是正向的；基于“李四”，句子的情感是负面的。

可见，与传统的情感分析任务相比，任务的难度和复杂性大大增加，一般都是用深度学习模型来解决。

2.2.1 TD-LSTM

传统的LSTM模型并没有考虑被评估的目标词和上下文的相互关系，为了引入这一部分的信息， TD-LSTM 应运而生。TD-LSTM 的主体结构是基于LSTM的。其基本思路是根据target words之前和之后的上下文分别建模。所以实际上，使用的是两个 LSTM 模型：

和

。

的输入为目标词之前的上下文加上目标词，即从句子的第一个单词，到最后一个target words

依次输入；

的输入则是目标词之后的上下文加上目标词，即从句子的最后一个单词