摘要: 当下互联网信息技术的快速发展使得人们每天都会在网络中发表大量的文本信息，包括购物评论，电影评论和时事评论等，如何将这些文本数据中的情感信息提取并利用起来成为了人们关注的热点，文本情感分析也随之成为了自然语言处理领域一个重要的分支任... 展开 当下互联网信息技术的快速发展使得人们每天都会在网络中发表大量的文本信息，包括购物评论，电影评论和时事评论等，如何将这些文本数据中的情感信息提取并利用起来成为了人们关注的热点，文本情感分析也随之成为了自然语言处理领域一个重要的分支任务。 文本情感分析是一项研究多年的任务，其主要目的是对带有情感倾向的主观文本进行理解分析，从中提取情感或观点的过程。基于深度学习的文本情感分析技术已经成为了该任务的主流方法，并且近年来预训练模型的出现更是大幅度地提高了大多数文本情感分析数据集上的最好结果。然而这些模型方法主要是对文本的序列信息进行编码，对文本的句法结构信息的利用还需要进一步地研究。因此本文将文本的句法结构信息融入到了深度学习模型中，并分别在句子级和属性级情感分析任务上做了实验探究。具体的研究工作如下： (1)在句子级情感分析任务上，本文提出了Tree-BERT模型。该模型以知识蒸馏理论中教师-学生模型框架为基础，将教师模型Tree-LSTM网络学习到的文本的成分句法结构信息以情感软标签的方式传递给学生模型BERT。通过该方法让BERT模型能够显式地学习文本的成分句法结构信息，达到了融入成分句法结构信息到BERT模型中的效果，并且进一步提高了单独使用BERT模型在Camera、Restaurant和Laptop三个句子级情感分析任务数据集上的表现。 (2)在属性级情感分析任务上，本文提出了ASA-SAWRs模型。该模型将Biaffineparser模型产生的隐式依存句法结构信息表示融入到了本文提出的ASA模型中。该模型首次将文本的隐式依存句法结构信息应用在属性级情感分析任务上，同时进一步提高了ASA模型在SemEval2014数据集和Twitter数据集上的表现，缓解了依存句法分析器给模型带来的误差传播问题。本文还讨论了属性词的上下文中词语的词性对ASA模型在属性级情感分析任务上的影响，通过实验发现过滤掉原文本中那些词性不重要的词语也可以提高该模型在上述数据集上的表现。 收起