情感检测与方面术语提取技术研究

### 情感检测与方面术语提取技术研究 在当今的自然语言处理领域，情感检测和方面术语提取是两个重要的研究方向。情感检测旨在识别文本中表达的情感类型，而方面术语提取则是从文本中找出表达观点所针对的实体属性。下面将详细介绍相关的研究内容。 #### 情感检测 在短任务导向的聊天中进行情感检测，提出了两种新的方法，使用了专门针对客服中心对话的新标签集。随着企业和消费设备中自动对话代理的出现，这项工作具有重要的现实意义，因为这些代理需要在回应中保持情感上的正确性。 以下是两种方法在不同情感类型上的准确率对比： | 情感类型(#) | ED - MSEL（精确率） | ED - MSEL（召回率） | ED - MSEL（主要混淆） | ED - NNEV（精确率） | ED - NNEV（召回率） | ED - NNEV（主要混淆） | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | 保证(As) | 71.67 | 69.35 | Ne(9), Co(6) | 97.34 | 88.50 | Ne(14) | | 认可(Ag) | 50.00 | 47.73 | Ha(14), Ne(14) | 85.39 | 82.16 | Ne(24), Ha(7) | | 礼貌(Co) | 79.90 | 81.60 | Ne(30), Ha(25) | 93.75 | 100 | - | | 快乐(Ha) | 39.25 | 41.58 | Co(23), Ag(13) | 78.84 | 53.24 | Ne(21), Ag(15) | | 道歉(Ap) | 77.78 | 46.67 | Co(6), Ne(3) | 100 | 100 | – | | 不认可(Di) | 61.11 | 47.83 | Ne(8), Ag(2) | 92.30 | 44.44 | Ne(14), Uh(1) | | 不快乐(Uh) | 60.40 | 49.59 | Ne(51), Ha(6) | 24/28 | 46.15 | Ne(25) | | 无情感(Ne) | 78.12 | 82.84 | Co(34), Ha(30) | 85.60 | 97 | Ag(10), Ha(3) | 从表格中可以看出，不同的情感类型在两种方法下的表现有所不同。例如，在“保证”情感类型上，ED - NNEV方法的精确率和召回率都明显高于ED - MSEL方法。 #### 方面术语提取 方面术语提取是基于方面的情感分析中的一个基本子任务。以往的研究表明，句子的依赖信息对于观点挖掘至关重要，并且在该领域得到了广泛应用。 ##### 现有方法的局限性 - **CRFs模型**：条件随机场（CRFs）及其变体（如半CRFs）已成功应用于方面术语提取问题，但这些基于CRFs的模型是特征丰富的模型，需要大量人工特征工程才能良好工作。 - **RNN模型**：随着深度学习在自然语言处理中的成功，循环神经网络（RNN）被提出用于方面术语提取，并且表现出优于基于特征丰富的CRFs模型的性能。然而，由于RNN是顺序模型，它不能有效地捕获句子的树状依赖信息，从而限制了其实用性。 ##### 新模型：DTBCSNN 为了有效利用句子的依赖信息并发挥深度学习的优势，提出了一种新颖的基于依赖树的卷积堆叠神经网络（DTBCSNN）用于方面术语提取。该模型主要由以下三个部分组成： 1. **依赖树卷积层（DTBCL）**：这是模