面向对话文本的情感分类方法研究

• 作 者: 王建成
• 出 处: 苏州大学
• 发表日期: 2020年01期
• 关键词: 情感分类 对话文本 注意力机制 主题信息 多任务学习

随着社交媒体的普及以及电商平台的发展,情感分析已经在社会舆情、商品零售等多个领域得到了广泛的应用。而对话是人类最基本的交流方式,例如日常生活中人与人之间的闲聊,电商平台上客户与客服之间的对话,针对对话文本的情感分析具有十分重要的应用价值。不同于社交媒体上的观点论述或者电商平台上的产品评论,由人之间交流而产生的对话文本蕴含了说话人之间情感的传递与交互。另外,对话作为一个整体所拥有的特性,例如对话主题和对话动机,也会影响到对话中句子情感极性的判断。针对上述问题,本文针对对话文本的情感分类方法进行了研究,主要包括以下内容:首先,针对对话中句子的情感倾向依赖于对话上下文的特点,本文提出了一种基于对话上下文信息的对话情感分类方法。该方法包括一个编码器和一个解码器,顺序地处理对话中的每句话。在编码器中,对于对话中的每个句子,通过长短时记忆网络和注意力机制挖掘对话历史中的相关信息,融入句子的语义表示。在解码器中,考虑到之前句子的情感标签信息对当前待分类句子情感倾向的影响,采用了一种新颖的解码方法,将已解码句子的情感类别的概率分布融入当前句子的情感分类过程中。实验结果表明本文提出的基于对话上下文信息的对话情感分类方法可以有效提升对话情感分类的性能。其次,针对对中不同说话人之间情感传递与交互的特点,本文提出了一种基于对话角色信息的对话情感分类方法。该方法在建模说话人的情感状态时融入了个人的对话历史信息以及不同说话人之间的对话交互信息。具体而言,该方法首先为对话中的每个说话人初始化一个长短时记忆网络,用于记录说话人的状态信息,然后依次处理对话中每个句子。在每个时刻,对于当前说话人以及相应的待分类句子,首先通过注意力机制挖掘当前说话人历史句子中的相关历史信息以及其他说话人历史句子中的对话交互信息,然后基于这些信息更新当前说话人的状态并获得最终用于情感分类的句子表示。实验结果表明本文提出的基于对话角色信息的对话情感分类方法明显优于其他基线方法。最后,针对对话中主题信息对句子情感倾向的影响,本文提出了一种基于对话主题信息的对话情感分类方法,研究了对话中总体的主题信息以及基于对话角色的主题信息对于情感分类的作用。该方法基于多任务学习框架,包括了一个情感分类主任务和多个主题推测的辅助任务。其中,在情感分类主任务中,通过注意力机制建模对话中句子之间的联系,从而获得融入对话上下文信息的句子表示。主题推测的辅助任务,包括总体的主题推测以及基于对话中不同角色的主题推测,用于学习对话中不同的主题信息。最后,通过门控融合的方法将辅助任务得到的主题表示与主任务得到的句子表示相结合,得到最终用于情感分类的句子表示。实验结果表明,在考虑对话中句子之间上下文关系的基础上,挖掘对话中不同的主题信息能进一步提升对话情感分类的性能。