lstm训练情感分析的优点_细粒度情感分析在保险行业的应用

​

全文框架概览

摘要

细粒度情感分析是在情感分析的基础上对文本内容针对主体的具体属性做进一步分析的技术，在舆情分析、对话系统等场景发挥着重要作用。当前，业界和学术界在时序模型和通用预训练模型两个方向上做了非常多的研究工作并获得了不错的进展。对保险行业来说，大量针对产品的语料（论坛，聊天，白皮书等）需要进行有效的情感分析从而进行产品的相关改进。

本文将围绕细粒度情感分析在保险行业的应用，在讨论业界通用的细粒度情感分析的研究方向，并分析保险行业相关问题的特点的基础上，介绍简单高效的保险舆情中台设计架构，及根据应用场景对算法模型做的优化提升。

一、细粒度情感分析是什么

了解细粒度情感分析之前，可以先简单理解下情感分析。给出一句话或者一段文本，得到相应积极、消极或中性的情感类型，就是标准的情感分析。

比如： “这家餐馆真的很nice”，”今天天气不错”，都是积极情感倾向的句子。“怎么等了这么久2路汽车还没来呀”,“这个电影好垃圾”，都是消极情感倾向的句子。

但很多场景下，一句话中对不同方面的表述可能呈现出不同的情感倾向。

比如：“这个电影主演演的不错，但是剧本实在不行”。认可了电影的主演的同时，否定了电影的剧本，对电影不同方面的评论呈现出不同情感的极性。这种情况就需要细粒度情感分析来进行具体情感极性的提取。

一段有价值的评论分析文本，会对评价主体的不同方面有褒有贬，这样才是一段相对合理客观的评论。而从这种有价值的文本中提取信息作为用户意见，对监督和进一步改进产品质量来说是非常重要的。

二、细粒度情感分析业界的相应研究方向

本质上细粒度情感ASBS可以拆解为两个任务：Aspect Term Extraction + Aspect Category Extractio。

• Aspect Term Extractio：旨在抽取出一个句子中的Aspect term，可以建模为一个序列标注问题。
• Aspect Category Extractio : 旨在识别出一个句子中从哪些预先定义好的Aspect category角度描述事物，可以建模为一个多标签分类问题(multi-label classification)。[1]