基于双重多视角表示的目标级隐性情感分类

摘要：

目标级隐性情感分类是自然语言处理中一项重要的情感分析任务.目前多数研究主要侧重于对上下文感知的目标进行建模,且建模信息源较为单一,难以充分捕获到目标词在文本中的隐性情感.针对该问题,提出基于双重多视角表示学习的目标级隐性情感分类方法,采用3种视角对目标和输入文本进行建模,分别设计文本自身的表示学习、图视角下的表示学习以及外部知识视角下的表示学习,并通过卷积神经网络将3种视角下的表示进行深度融合.此外,同时采用上述3种视角对目标进行表示学习,将文本的语义表示和目标的语义表示相结合,并输入到情感极性分类器中.在5个公共数据集上进行实验并与8个基线模型的对比结果表明,该方法性能达到了最优水平,在NewsMTSC-mt和NewsMTSC-rw隐性情感分析数据集上的F1m值分别比最好模型提高 1.0%和 2.6%,在Laptop14、Restaurant14和Twitter显性情感分析数据集上的F1m值分别比最好模型提高3.6%、1.4%和1.6%.

关键词：目标级隐性情感分类、自然语言处理、情感分析、双重多视角、表示学习

所属期刊栏目：50

分类号：TP391.1(计算技术、计算机技术)

资助基金：国家重点研发计划;国家重点研发计划;上海市促进产业高质量发展专项

在线出版日期：2024-01-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：79-90