摘要: 细粒度情感分析旨在判断文本对特定对象的情感倾向。与句子或文档级情感分析相比，细粒度情感分析明确了情感受体，可以解决文本情感混杂引发的分析结果以偏概全问题，在学术和工业界都受到广泛关注。然而，文本表述的多样性导致传统方法无法灵活地提... 展开 细粒度情感分析旨在判断文本对特定对象的情感倾向。与句子或文档级情感分析相比，细粒度情感分析明确了情感受体，可以解决文本情感混杂引发的分析结果以偏概全问题，在学术和工业界都受到广泛关注。然而，文本表述的多样性导致传统方法无法灵活地提取情感对象相关的情感特征。将深度学习引入细粒度情感分析中，可以减少特征提取需要的专家知识，改善传统方法的语义鸿沟问题。 针对制约细粒度情感分析性能的提升的三个关键问题:(1)文本表述多样性导致目标与文本的语义依赖难以学习;(2)方面类别位置缺失限制模型设计和性能提升;(3)流水线式方法忽略任务关联且存在错误累积，本文基于深度学习技术给出对应的解决方案，使细粒度情感分析的性能获得了一定提升。本文的内容和贡献如下: 1.针对文本表述多样性导致的目标与文本的语义依赖难以学习的问题，提出了基于混合注意力机制的目标情感分类方法。混合注意力机制由两种注意力机制构成，其中局部注意力机制关注与目标在句法关系上临近的词来保证信息关联性，全局注意力机制关注文本的全部内容以确保信息完整性。为进一步结合两种注意力优势，提出信息门控机制根据重要程度将二者动态结合。实验结果表明，局部注意力机制在句法指导下可以提取更精准的目标情感，信息门控机制可以自适应地结合局部和全局信息。本文方法与现有注意力机制方法相比，取得了更好的表现。 2.针对方面类别位置缺失限制模型设计和性能提升的问题，提出了可感知位置的统一化卷积情感分类网络。通过定义方面类别指示词并设计方面指示词检测网络将方面类别位置引入文本中。在此基础上将目标和方面类别统一建模，通过情感对象的位置和语义信息构建滤波机制将情感对象信息注入卷积神经网络。在目标情感分类上的实验首先验证了情感对象滤波机制可有效地提取情感对象信息，取得了比注意力机制方法更好效果。不仅如此，本方法采取卷积神经网络建模，极大地提升了预测速度。在方面类别情感分类上的实验证明了方面类别位置的引入可以扩展深度模型的设计思路，有效地提高情感分类精度。 3.针对流水线式方法忽略任务关联且存在错误累积的问题，提出了基于层级多任务学习的端到端目标情感分析方法。首先引入目标-情感联合标签，设计目标抽取、情感词检测和目标情感检测等多项辅助任务引导表示层学习联合抽取所需知识。为增强任务间的关联，进一步将所有任务整合为层级结构，以便上层复杂任务借助底层任务的知识。在三个公开数据集上的实验显示，在辅助任务约束下，深度模型中间层可获得更具判别性的特征表示。与流水线式方法和单任务学习方法相比，在效果上具有明显提升。 收起