论文笔记-将情感词典融入BiLSTM中

最新推荐文章于 2024-05-02 08:16:00 发布

xxr233

最新推荐文章于 2024-05-02 08:16:00 发布

阅读量710

点赞数

分类专栏：论文阅读文章标签：深度学习神经网络机器学习自然语言处理

本文链接：https://blog.csdn.net/xxr233/article/details/109107080

版权

本文介绍了一种将情感词典融入BiLSTM的方法，用于提高神经情感分析的效果。研究发现，该方法在Twitter情感分析数据集上优于传统RNN，通过LSTM学习情感词汇的强度、增强和否定作用，处理语义组成和词义变化问题。

摘要由CSDN通过智能技术生成

论文标题： Context-Sensitive Lexicon Features for Neural Sentiment Analysis
机构： 新加坡科技设计大学
作者： Zhiyang Teng, Duy-Tin Vo and Yue Zhang
一句话总结：在BILSTM中融入情感词典并在twitter情感分析数据集实践，效果确实比没有融入情感词典的好。
会议：EMNLP2016

摘要：情感词典是情感分析方法中有利的特征来源。但是很多基于情感词典的方法没有考虑到上下文语义关系，而针对整个输入采用计数，计算长度总和或者最大化情感分数的方法。我们提出了一种基于上下文敏感的词典（context-sensitive lexicon-based），基于简单的加权模型，使用RNN学习情感词汇的强度strength、增强intensification和否定negation在具有情感的句子中的作用。结果不仅使用rnn学习到了情感词典的特征，在twitter情感分析数据集上效果还比没有使用情感词典的RNN好。

1.引言

情感词典包含单词的情感属性，例如单词极性和优势（？），它们可以提供word-level来分析句子情感我们研究了一种有效的方法来使用情感词典功能。

传统的判断文档document极性的方法是先计算出文档中所有情感词词的情感值总和（ Turney, 2002; Hu and Liu, 2004）。这种方法在多个情感分析基准benchmarks中显示出令人惊喜的表现，且仍然是特定领域情感分析（金融、产品评论等）的常用做法。还有利用了更复杂的句子级特征，如正负词技术，他们的总强度和最大强度等。这样的词典在SemEval语料集中非常有用的。但是他们都是基于词袋模型（bag-of-word），有两大限制：

一是不能很好地处理语义组成问题（semantic compositionality）,如图1所示：criticism本来是负向词，-1，前面加上修饰insignificant之后，就表示无意义的批评 -0.5分；good是一个正向词，加上not very变成不是很好的，-0.25，换句话说就是否定词、程度副词会对情感极性产生影响。