基于知识引入的情感分析

1.引文

情感分析知识

当training数据不足以覆盖inference阶段遇到的特征时，是标注更多的数据还是利用现有外部知识充当监督信号？

基于 机器学习 、 深度学习 的情感分析方法，经常会遇到有标注数据不足，在实际应用过程中泛化能力差的局面。为了弥补这一缺点，学者们尝试引入外部情 感知 识为模型提供监督信号，提高模型分析性能。本文从常见的外部情 感知 识类型出发，简要介绍在情感分析中使用知识的一些代表性工作。

2.正文

我们为什么要不断尝试在情感分析中融入知识呢？笔者以为有如下几点原因：

1）一般的 文本分类 任务只提供句子或文档级别的情感标签，引入情感词典等先验情 感知 识可以给情感文本引入更细粒度监督信号，使得模型能学到更适合情感分析任务的特征表示。

2）底层的词性、句法等分析任务能给下游的 情感分类 、抽取任务提供参考信息，如评价表达通常是形容词或形容词短语，而评价对象通常是名词；不同情感分析任务本身存在相互促进作用，如评价对象和评价词在句子中出现的距离通常比较近，联合抽取能同时提高两者的性能表现。

3）短文本评论通常略去了大量的背景常识知识，从文本本身通常难以推断真实情感倾向性。例如一条有关大选的推文内容是“I am so grateful for Joe Biden. Vote for #JoeBiden!!”，文本中并未涉及任何有关Trump的描述，要判断它关于Trump的立场倾向性时，需要了解的背景知识是，二者是这次大选的竞争对手，支持一个人就意味着反对另一个人。

那情感分析常用的知识又有哪些呢？

2.1 知识的类型及情感分析常用知识库

依据对知识获取途径的划分方式 ^[1]，我们简单总结了情感分析中常用的知识类型：

• 显性知识
  • 一般情感词典（如MPQA，Bing Liu词典等），情感表情符；否定词（Negation）、强化词（Intensification）、连接词（Conjunction）等规则
  • SentiWordNet
  • ConceptNet，SenticNet
• 数据
  • 数据 (Twitter、微博表情符弱标注数据)
  • 领域数据集 (例如某一类别商品评论数据)
• 学习算法
  • 词法、句法、语义依存等模型
  • 多任务学习 算法
  • 预训练语言模型 、词向量学习算法

其中，以情感词典最为常用。情感分析数据通常结合 语言模型 算法，产生情感向量表示作为下游任务输入；词法、句法分析模型一般直接为下游情感分析任务提供特征输入或者以 多任务学习 的方式参与到下游情感分析任务的训练过程中；结构化的外部 知识库 通常需要借助图算法进行特征挖掘，为文本提供更丰富的常识、情感上下文信息。

2.2 知识的引入方式及在情感分析部分任务上的应用

下表展示了几种常见的知识类型及其特点，我们将根据知识的获取途径及引入方式，结合具体论文阐述其使用方式。

知识类型	优点	缺点
人工情感词典	质量高	规模小，静态，覆盖低
自动情感词典	规模大	静态、质量低
语言学 规则	适用范围广	不够准确
预训练 语言模型	上下文建模能力强	参数 量大，训练时间长，运行速度慢
常识 知识库	规模大、质量高、覆盖全	利用困难

目前，相关的情感分析工作可以大致分为以下几类：

• 引入情感词典知识
  
  

要说情 感知 识，大部分人首先会想到的就是人工编纂的情感词典，它简明直观、质量高、极性明确，使用方便，广泛应用在 情感分类 、情感元素抽取、情感原因发现、情感文本风格迁移等多种情感分析任务上。情感词区别于非情感词的地方在于，它们一般表征一定的情感/情绪状态，通常情感词典中还会给出其强度打分。类似的，现在网络上流行的部分表情符 (emoj，如:) 、:( 、