引言

方面級情感分類是情感分析任務(wù)的一個分支，旨在確定句子中特定方面詞的情感極性。給定句子“Lots of extra space but the keyboard is ridiculously small.”，方面級情感分類（ASC）的任務(wù)是對句子中給定的方面詞“space”和“keyboard”，應(yīng)該可以得出對應(yīng)的情感極性分別為積極和消極。

之前的研究通過將循環(huán)神將網(wǎng)絡(luò)（RNN）與注意力機制［1］進(jìn)行結(jié)合，可以明顯提高此類任務(wù)的性能。但是注意力機制很容易受到噪聲的影響。局部上下文聚焦機制［2］（LCF）發(fā)現(xiàn)方面詞自身周圍的單詞對其情感極性的判別更加重要，通過使用LCF捕獲局部上下文，并使用動態(tài)距離掩碼（CDM）或動態(tài)距離加權(quán)（CDW）可以捕獲方面詞周圍的重要信息。同時，隨著預(yù)訓(xùn)練模型BERT［3］的出現(xiàn)，對BERT結(jié)構(gòu)做出針對性的調(diào)整也成為了研究方向。盡管上述方法已經(jīng)取得了顯著的成績，但是仍然存在以下兩點問題。（1）未充分挖掘BERT語義信息。Ganesh等人［4］發(fā)現(xiàn)BERT自身高層的語義信息已經(jīng)足夠豐富，如何更好地利用這些信息仍有待進(jìn)一步研究。（2）局部關(guān)鍵特征提取不充分。在使用LCF的模型中使用固定閾值劃分局部上下文，其范圍不夠精確；同時在兩類上下文中使用的特征提取方法未能很好地提取局部關(guān)鍵信息。

為了解決上述問題，本文提出了一個全新的模型，通過結(jié)合BERT語義融合和關(guān)鍵詞特征提取進(jìn)行方面級情感分類。一是提出BERT語義融合模塊，利用門控函數(shù)將BERT編碼器不同層的表示向量進(jìn)行融合。二是提出關(guān)鍵字特征提取模塊，根據(jù)句子長度動態(tài)確定局部上下文和非局部上下文的范圍，并通過句法二次掩碼和距離感知注意力提取兩類上下文的關(guān)鍵特征。三是引入?yún)f(xié)同注意力模塊，將局部特征、全局特征和方面詞特征融合，得到融合局部信息和方面詞信息的全局特征。

本文的主要貢獻(xiàn)總結(jié)如下：

（1）將BERT編碼器的第9~12層通過針對性設(shè)計的門控函數(shù)進(jìn)行語義融合，提取到了包含豐富語義的句子初始的上下文表示向量。

（2）提出了關(guān)鍵字特征提取模塊。該模塊通過句子長度動態(tài)確定局部上下文和非局部上下文，并用句法二次掩碼和距離感知注意力來分別提取對應(yīng)區(qū)域的局部關(guān)鍵特征。

（3）設(shè)計了全新的協(xié)同注意力。通過使用注意力機制融合全局特征、局部特征和方面詞特征來獲得包含豐富語義信息的全新特征。

本文詳細(xì)內(nèi)容請下載：

http://m.jysgc.com/resource/share/2000006226

作者信息：

胡耀庭，韓雨橋，石宇航，高宣，彭玉青

（河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津300401）