基于深度记忆网络的特定目标情感分类研究张玲刘臣摘要：特定目标情感分类不仅依赖于上下文信息，还需结合特定目标的特征信息，是一种细粒度的情感分析。针对特定目标情感分类提出了一种基于深度记忆网络的分类模型。该模型以双向LSTM和注意力机制为主干框架，从双向LSTM中抽取出目标的特征表示，将目标特征信息加入句子表示中，并加入多计算层（Hops）结构，用以挖掘句子和目标更深层次的情感特征信息，每个计算层的结构类似，共享参数。最后在SemEval2014和SemEval2016数据集上进行实验，取得了比其它基准模型更好的效果。关键词：特定目标情感分类;双向LSTM网络;注意力机制;多计算层结构DOI：10.11907/rjdk.191222：TP301：A：1672-7800（2019）012-0040-040引言情感分类是情感分析技术的核心，是对具有情感色彩的主观文本进行分析并将文本分为积极、中立和消极3种类型的过程。情感分析研究一般可以分为3个层次：文件、句子和目标。特定目标情感分类是一种细粒度的情感分析，研究句子针对特定目标的情感极性。特定目标情感分类的一个重要特征表现为：同一个句子针对不同的目标所表达的情感有可能是完全相反的。比如，句子“Icameherewithmyfriendslastweek，thefoodisgreat，buttheserviceneedtobeimproved。”针对“food”的情感是积极的，而针对“service”的情感却是消极的。由此可见，句子所表达的情感极性与特征目标的特征信息紧密相关。因此在作特定目标情感分类时，如果忽略句子中包含的特定目标信息，就很可能导致出错。许多学者都对特定目标情感分类进行了研究，使用较多的方法是先利用特征提取工具，比如TF-IDF、n-gram、bagofwords以及情感词典等，对句子进行特征提取，然后用分类器（如支持向量机等）进行分类。尽管这些方法能够取得不错的分类效果，但所用到的特征提取工程需要耗费大量劳动力，而且分类器的效果很大程度上依赖于人工提取特征的效果。深度神经网络在很多领域都取得了良好效果，包括特定目标情感分类任务。情感分类任务中，使用较多的深度神经网络模型是长短期记忆网络（LSTM）和卷积神经网络（cNN）。LSTM非常适合用于学习时间序列的分类、处理和预测，CNN因局部感知和参数共享而被广泛使用。特定目标情感分类效果不仅与上下文的文本信息相关，还依赖于特定目标的特征信息，因此在作特定目标情感分类时有两个需要特别注意的问题。（1）如何合理表示包含多个词的目标。为了完成特定目标情感分类，首先要高效地表示目标，特别是当目标包含多个词时。比较常用的方法是取这几个词词向量的平均值作为目标特征表示。但是这种表示方法会导致目标的特征信息被遗漏，甚至会因为平均值向量指向其它向量空间而导致分类错误。（2）如何充分利用目标的特征信息。特定目标情感分类的目的是分析出句子针对某一目标的情感极性，而不是整个句子的情感极性。因此需要充分利用目标特征信息挖掘出对特定目标有情感倾向的上下文信息。本文针对上述两个问题，提出一个基于深度双向LSTM的情感分类模型。该模型在两个公开的数据集上都取得了较优效果。1相关工作1.1基于CNN的特定目标情感分类Gu等在2017年提出了一个两级级联CNN（c-CNN模型共同完成目标映射任务和情感分类任务。在第l级，他们使用多层卷积网络检测输入句子是否属于预先定义的目标类别;在第2级，他们使用单一卷积网络对属于预先定义的目标类别句子的情感极性进行分类。这种C-CNN模型虽然取得了良好效果，但当一个句子包含两个目标，并且两个目标的情感极性相反时，C-CNN模型就无法处理了。梁斌等于2018年提出一种基于CNN的分类模型，用CNN提取句子特征信息，引入多种注意力机制抓取目标特征信息。该模型效果良好，但容易出现过拟合现象。1.2基于RNN的特定情感分类循环神经网（RNN）非常适合从经验中学习时间序列的分类、处理和预测。但是，标准RNN在消失梯度或爆炸梯度问题上存在不足。因此前人在作目标情感分类时，更多使用的是长期短期记忆（LSTM）和门控循环单位（GRU）。Soufian等先将词向量、情感向量和词性标签向量的拼接向量传人一个双向GRU以提取、表示目标，再使用一个类似结构，不同的是在连接向量上...