基于双向注意力机制的问答情感分析技术研究

廖美红

【关键词】双向注意力;问答情感分析;深度学习

【中图分类号】TP391.1 【文献标识码】A 【文章编号】1674-0688（2021）09-0095-03

0 引言

随着时代发展进程的不断加快，处于Web2.0时代背景下，各大电商平台获得了迅猛发展，大量卖家选择刷单作为提升自家店铺销量和信誉度的方法，这种不正当行为给用户购物带来了负面影响。所以，如何准确地挖掘产品评论舆情，对虚假的网络平台严格遏制，成为目前各大电商平台迫切需要解决的问题之一[1]。于是，各大电商平台近年来逐渐推出问答型评论这一功能，此功能可以满足潜在买家对自己所关注商品，提出自己疑惑的问题，平台会以用户的购物信誉度随机挑选已经购买此产品的用户，对问题进行回答[2]。这一功能的应运而生相较传统商品评论，在很大程度上避免了产生虚假信息，也能够为潜在购买者提供更可靠、具体的回答[3-5]。怎样对问答型评论内信息进行充分挖掘与分析，为商家和平台用户提供可靠的产品信息导向，本文提出通过深度学习基于双向注意力机制的问答情感分析技术进行问答情感分类。这不仅在目前有关问答文本情感分析研究领域上具有理论创新意义，也能保证电商平台公平性，帮助商家调整产品营销策略，提升信息转化率，促进我国电商事业良好发展具有指导价值。

1 主要技术概述

1.1 分布式词向量模型

在运用深度学习前期，一般在文本表示上要构建向量空间模型，自1986年Hinton提出词向量，作为向低维空间映射的向量，用于表示词语间语义关系的一种形式。在以往研究中，大多采用训练语言模型获得词向量，建立连续词袋模型，以上下文为依据，对目标词语进行预测，能够获得对应词向量。该模型给定wt该词的上下文ct=wt-n，…，wt-1，wt+1，…，wt+n;那么，该词出现条件概率公式如下[6]：

给定训练样本（w1，…，wt），建立连续词袋模型目标函数公式如下：

1.2 长短时记忆神经网络

长短时记忆神经网络于1997年提出，作为循环神经网络的一个变体，能够成功地解决循环神经网络内存在的梯度消失、爆炸等问题，廣泛应用于文本分类、语音识别、机器翻译等领域。相较传统循环神经网络，因为记忆单元加入其中能够很好地保存历史信息，所以能够有效避免梯度爆炸、衰减问题。

传统循环神经网络主要是单向序列模型，本文运用的是双向循环神经网络，包括两个循环神经网络，■t、■t分别代表过去、未来信息高层语义，公式如下[7]：

双向长短时记忆网络能够替换双向循环神经网络中前、后各项网络，均为长短时记忆网络（如图2所示）。

1.3 语料资源

首先，在语料收集中，本文运用爬虫程序收集源于京东、淘宝平台“问大家”这一问答功能中的问答评论，集中在美妆、鞋、数码产品这三大领域，问答评论共计收集20余万条。

其次，在语料标注中，本文主要划分为两个部分，一是判断问答型评论情感，二是标注规范问答评论的正、负情感。

最后，在语料统计中，本文所统计的问答文本情感分类语料库信息，统计了3个领域各自10 000条问答文本，共计30 000条（见表1），作为统计的语料内情感类别分布情况。

根据表1统计情况发现每一个领域都存在正、负情感数量差距，所以面向问答文本情感分类面临巨大的不平衡问题。

一般情况下，分类任务内机器学习领域衡量分类指标包括正确率、召回率、精准率、F值，表示公式如下[8]：

公式（4）～公式（6）中：分类预测总计样本数量用TP表示;其他分类器错误预测样本数目用FP表示;分类器错误预测其他类别样本数目用FN表示;其他分类被分类器正确预测对应类别样本数目用TN表示。

其中，F作为精准率、召回率评价指标，公式如下[9]：

根据公式（7），在β为1的情况下，召回率、精准率二者同样关键，在β>1的情况下，相较召回率，精准率更加重要，反之，β<1则召回率更加重要，本文中β值均取1。

2 基于双向注意力机制的问答情感分类

该方法不同于传统情感分类，对于问答文本情感分类运用上文提出的双向神经网络解决，建立双向注意力机制神经网络模型（如图3所示）。

首先，在输入映射层，主要需要转变问、答文本内词语为词向量，输入至该神经网络中。

其次，在Bi-LSTM层，需要运用上文提出的双向LSTM获得问、答文本高层语义信息。

再次，在注意力层，运用注意力机制分别在问答文本内提取关键情感相匹配信息。

最后，在Softmax层，经该层完成问答文本向量的情感分类。

3 实验分析

3.1 实验设计

结合上述两部分的基础技术与建立的双向注意力机制神经网络模型，对前期提取的10 000条问答数据集作为输入样本展开试验分析，划分了70%的训练集、10%的样本集、20%的测试集。在对样本进行分词后，通过Word2vec训练词向量共计200 000条问答。在本次实验中，运用SVM算法经Kreas完成LSTM神经网络模型，验证本文提出该分析技术的准确率与FI值。

3.2 实验结果

为了验证本文提出的基于双向注意力机制的问答情感分析技术的准确性与有效性，对比设计了几种情感方法，得出试验结果（见表2）。

根据表2能够发现，相较SVM分类器，运用神经网络分析具备更优越的性能，证明了本文提出对问答情感分析采用神经网络方法的可行性;通过分别对比Uni-ATT Q、Uni-ATT A、Bi-ATT 3种输入方法发现，问答文本情感分析如果拼接处理并不适合;通过在本次双向注意力机制神经网络模型中输出问答文本，对比Bi-ATT与单向注意力机制分析方法Uni-ATT Q、Uni-ATT A能够看出本文提出此分析方法的性能更好。

根据以上研究结果，为了进一步验证本文提出此种问答情感分析技术的有效性，选择目前该研究领域更新型处理方法展开对比，其中对比CNN-Tensor（此方法目前在句子级情感分类领域的性能最优）、ATT-LSTM（作为目前该研究领域在属性级情感分析中能够达到的性能最优方法，经LSTM隐层输出即可获得分析权重）、BiMPM（此方法能够在该研究领域问答匹配任务上达到最优性能），通过对比得出试验结果（见表3）。

根据表3能够发现，本文基于双向注意力机制的神经网络模型对问答文本情感分析的准确率与FI值，相较其他几种方法明显更优，证实了该方法能夠准确地对问答文本情感相匹配信息进行有效的捕捉。将本文提出的方法对比BiMPM方法，反映出问答情感匹配机制的应用性能优势，并且将Bi-ATT相较其他方法，同样发现本文提出的方法可以对问答文本中情感匹配信息进行高准确率的捕捉。

4 结论

本文提出了基于双向注意力机制的问答情感分析技术，建立了基于双向注意力机制神经网络模型，并对本文所应用的主要技术进行说明，通过输入映射层、Bi-LSTM层、注意力层、Softmax层构建了分析模型。将本文提出的方法对比了几种情感分类方法，根据试验结果发现本文提出此分析方法的性能更好;为了证实本文提出此分析技术的准确度，又进一步对比分析了目前最新的几种处理方法，研究发现本文提出的基于双向注意力机制问答情感分析方法准确率更高，达到76%的问答情感分析准确率，FI值最终为62%，在实验中相较其他分析技术的应用效果明显提升。

参 考 文 献

[1]翟社平，杨媛媛，邱程，等.基于注意力机制Bi-LSTM算法的双语文本情感分析[J].计算机应用与软件，2019，36（12）：251-255.

[2]陈亚茹，陈世平.融合自注意力机制和BiGRU网络的微博情感分析模型[J].小型微型计算机系统，2020，41（8）：24-29.

[3]支淑婷，李晓戈，王京博，等.基于多注意力长短时记忆的实体属性情感分析[J].计算机应用，2019，39（1）：160-167.

[4]梁斌，刘全，徐进，等.基于多注意力卷积神经网络的特定目标情感分析[J].计算机研究与发展，2017，54（8）：1724-1735.

[5]林原，李家平，许侃，等.基于多头注意力的双向LSTM情感分析模型研究[J].山西大学学报（自然科学版），2020，43（1）：1-7.

[6]王丽亚，刘昌辉，蔡敦波，等.CNN-BiGRU网络中引入注意力机制的中文文本情感分析[J].计算机应用，2019，39（10）：2841-2846.

[7]孙凯.基于词注意力的BiLSTM和CNN集成模型的中文情感分析[J].计算机科学与应用，2020，10（2）：312-324.

[8]胡德敏，褚成伟，胡晨，等.预训练模型下融合注意力机制的多语言文本情感分析方法[J].小型微型计算机系统，2020，41（2）：278-284.

[9]胡朝举，梁宁.基于深层注意力的LSTM的特定主题情感分析[J].计算机应用研究，2019，36（4）：121-125.