為什么：隨著移動(dòng)互聯(lián)網(wǎng)的普及，網(wǎng)民已經(jīng)習(xí)慣于在網(wǎng)絡(luò)上表達(dá)意見和建議，比如電商網(wǎng)站上對(duì)商品的評(píng)價(jià)、社交媒體中對(duì)品牌、產(chǎn)品、政策的評(píng)價(jià)等等。這些評(píng)價(jià)中都蘊(yùn)含著巨大的商業(yè)價(jià)值。比如某品牌公司可以分析社交媒體上廣大民眾對(duì)該品牌的評(píng)價(jià)，如果負(fù)面評(píng)價(jià)忽然增多，就可以快速采取相應(yīng)的行動(dòng)。而這種正負(fù)面評(píng)價(jià)的分析就是情感分析的主要應(yīng)用場(chǎng)景。

　　是什么：文本情感分析旨在分析出文本中針對(duì)某個(gè)對(duì)象的評(píng)價(jià)的正負(fù)面，比如“華為手機(jī)非常好”就是一個(gè)正面評(píng)價(jià)。情感分析主要有五個(gè)要素，（entity/實(shí)體，aspect/屬性，sentiment/觀點(diǎn)，holder/觀點(diǎn)持有者，time/時(shí)間），其中實(shí)體和屬性合并稱為評(píng)價(jià)對(duì)象(target)。情感分析的目標(biāo)就是從非結(jié)構(gòu)化的文本評(píng)論中抽取出這五個(gè)要素。

圖1情感分析五要素

　　舉例如下圖：

　　圖2情感分析五要素例子

　　上例中左側(cè)為非結(jié)構(gòu)化的評(píng)論文本，右側(cè)為情感分析模型分析出的五個(gè)要素中的四個(gè)（不包括時(shí)間）。其中實(shí)體“華為手機(jī)”和屬性“拍照”合并起來可以作為評(píng)價(jià)對(duì)象。評(píng)價(jià)對(duì)象又可細(xì)分為評(píng)價(jià)對(duì)象詞抽取和評(píng)價(jià)對(duì)象類別識(shí)別。如實(shí)體可以是實(shí)體詞和實(shí)體類別，實(shí)體詞可以是“餐館”、“飯店”、“路邊攤”，而實(shí)體類別是“飯店”；屬性可以是屬性詞和屬性類別，如屬性詞可以是“水煮牛肉”、“三文魚”等，都對(duì)應(yīng)了屬性類別“食物”。實(shí)體類別和屬性類別相當(dāng)于是對(duì)實(shí)體詞和屬性詞的一層抽象和歸類，是一對(duì)多的關(guān)系。詞和類別分別對(duì)應(yīng)了不同的任務(wù)。觀點(diǎn)的取值范圍一般是{正面，負(fù)面，中性}。類似的，可以把觀點(diǎn)看做是對(duì)描述詞的抽象和歸類，如“好看”歸為“正面”。

　　當(dāng)前研究中一般都不考慮情感分析五要素中的觀點(diǎn)持有者和時(shí)間，故后文中的討論都不考慮這兩個(gè)因素。根據(jù)對(duì)剩下三個(gè)要素的簡化，當(dāng)前情感分析的主要任務(wù)包括可按照?qǐng)D3所示：詞級(jí)別情感分析、句子/文檔級(jí)情感分析、目標(biāo)級(jí)情感分析。

圖3情感分析任務(wù)體系

　　其中詞級(jí)別和句子級(jí)別的分析對(duì)象分別是一個(gè)詞和整個(gè)句子的情感正負(fù)向，不區(qū)分句子中具體的目標(biāo)，如實(shí)體或?qū)傩�，相�?dāng)于忽略了五要素中的實(shí)體和屬性這兩個(gè)要素。詞級(jí)別情感分析，即情感詞典構(gòu)建，研究的是如何給詞賦予情感信息，如“生日”對(duì)應(yīng)的情感標(biāo)簽是“正面”。句子級(jí)/篇章級(jí)情感分析研究的是如何給整個(gè)句子或篇章打情感標(biāo)簽，如“今天天氣非常好”對(duì)應(yīng)的情感標(biāo)簽是“正面”。

　　而目標(biāo)級(jí)情感分析是考慮了具體的目標(biāo)，該目標(biāo)可以是實(shí)體、某個(gè)實(shí)體的屬性或?qū)嶓w加屬性的組合。具體可分為三種：Target-grounded aspect based sentiment analysis (TG-ABSA), Target no aspect based sentiment analysis (TN-ABSA), Target aspect based sentiment analysis (T-ABSA). 其中TG-ABSA的分析對(duì)象是給定某一個(gè)實(shí)體的情況下該實(shí)體給定屬性集合下的各個(gè)屬性的情感分析，如圖4中的實(shí)體是汽車，屬性集合是動(dòng)力、外觀、空間和油耗。

圖4TG-ABSA例子

　　TN-ABSA的分析對(duì)象是文本中出現(xiàn)的實(shí)體的情感正負(fù)向，如圖5中，實(shí)體華為和XX的情感正負(fù)向分別為正面和負(fù)面。這種情況下沒有屬性的概念，只有實(shí)體。

圖5TN-ABSA例子

　　T-ABSA的分析對(duì)象是文本中出現(xiàn)的實(shí)體和屬性組合，如圖6所示，評(píng)價(jià)對(duì)象是實(shí)體+屬性的組合，如華為+拍照和XX+性價(jià)比。

圖6TG-ABSA例子

　　在清楚了目標(biāo)級(jí)情感分析的分類之后，每個(gè)類別又都可以包含為兩大類任務(wù)：第一個(gè)是評(píng)價(jià)對(duì)象的識(shí)別，第二個(gè)是情感識(shí)別。評(píng)價(jià)對(duì)象識(shí)別包括評(píng)價(jià)對(duì)象詞抽取和評(píng)價(jià)對(duì)象詞分類，情感識(shí)別包括評(píng)價(jià)詞抽取和評(píng)價(jià)正負(fù)面分類。具體例子如圖7所示。之所以要識(shí)別出對(duì)象詞和評(píng)價(jià)詞，是為了能夠基于屬性正負(fù)面過濾的時(shí)候可以高亮相應(yīng)的評(píng)價(jià)文本片段。

圖7評(píng)價(jià)對(duì)象和評(píng)價(jià)詞和類別識(shí)別例子

　　本文主要介紹詞級(jí)別情感分析、句子級(jí)情感分析和目標(biāo)級(jí)情感分析中的T-ABSA的內(nèi)容、方法和華為云語音語義團(tuán)隊(duì)在該領(lǐng)域?qū)嵺`中的一些成果。這里首先區(qū)分一些概念，本文所說的情感，包括emotion和sentiment兩種。嚴(yán)格意義上來說sentiment屬于emotion的一種，但是本文中不做區(qū)分。

　　詞級(jí)別的情感分析，即構(gòu)建情感詞典（sentiment lexicon），旨在給詞賦予情感信息。這里首先要確定的是情感怎么表示，常見的表示方法有離散表示法和多維度表示法。離散表示法如情感分析領(lǐng)域常用的{正面，負(fù)面，中性}的表示方法，或者如表

圖8離散情感模型

　　用離散表示法表示的情感詞典如：

　　高興-正面，生日-正面，車禍-負(fù)面，災(zāi)難-負(fù)面

　　多維度表示法也有多種，如Valence-Arousal-Dominance（VAD）模型，Evaluation-Potency-Activity（EPA）模型等。Valence和Evaluation表示好壞，arousal和activity表示人的喚起度，dominance和potency表示控制力。

　　圖9Valence-Arousal模型

　　用連續(xù)多維表示方法的情感詞典例子如：

　　VAD模型在[1，9]取值范圍下：車禍可表示為(2.05，6.26，3.76)

　　構(gòu)建情感詞典常見的方法如圖10所示：

圖10常見情感詞典構(gòu)建方法

　　人工標(biāo)注優(yōu)點(diǎn)是準(zhǔn)確，缺點(diǎn)是成本太高。自動(dòng)化方法中，都是先有人工標(biāo)注一些種子詞，然后通過不同的方法把種子詞的標(biāo)簽信息擴(kuò)展到其他詞�；�于點(diǎn)互信息的方法會(huì)基于大規(guī)模語料庫統(tǒng)計(jì)新詞和種子詞之間的統(tǒng)計(jì)信息，然后基于該信息對(duì)種子詞做加權(quán)求和得到信息的情感標(biāo)簽。基于標(biāo)簽傳播的方法會(huì)先構(gòu)建詞和種子詞的一個(gè)圖，圖上的邊是基于詞和詞之間的統(tǒng)計(jì)信息獲得。然后用標(biāo)簽傳播的算法獲得新詞的情感信息�；�于回歸的方法先構(gòu)建詞的特征向量表示，然后基于種子詞的標(biāo)簽信息訓(xùn)練一個(gè)回歸或分類模型，得到該模型后再對(duì)新詞做預(yù)測(cè)，獲得新詞的情感標(biāo)簽信息。

　　我們團(tuán)隊(duì)基于已經(jīng)標(biāo)注的情感詞典，通過自動(dòng)化的方法，構(gòu)建了當(dāng)前業(yè)界最大規(guī)模的多維度情感詞典。

、圖11情感詞典構(gòu)建流程

　　基于該方法，我們構(gòu)建了業(yè)界最大規(guī)模的情感詞典庫，采用了Valence-Arousal的二維情感表示模型，情感值取值范圍為[-1，。1]（-1表示不好（對(duì)應(yīng)Valence維度）或無喚醒（對(duì)應(yīng)Arousal維度），1表示好或高喚醒度），詞典包含六百萬詞，例子如下：

圖12構(gòu)建的情感詞典例子

　　句子級(jí)和篇章級(jí)文本情感分析旨在整個(gè)句子或文章表達(dá)的情感傾向性，如下例子：

　　當(dāng)前各友商推出的情感分析服務(wù)大部分都是這種整體文本的正負(fù)向預(yù)測(cè)。句子級(jí)情感分析服務(wù)在互聯(lián)網(wǎng)時(shí)代的電商評(píng)論、政策評(píng)價(jià)中有著廣泛的應(yīng)用價(jià)值。句子級(jí)情感分析是一個(gè)典型的文本分類任務(wù)，我們團(tuán)隊(duì)也采用了當(dāng)前比較有效的預(yù)訓(xùn)練模型+微調(diào)的方案，如下圖所示：

圖13句子級(jí)情感分析方案

　　當(dāng)前我們已經(jīng)上線了電商、汽車和社交領(lǐng)域的情感分析模型，主要支持中文語言，標(biāo)簽是正面和負(fù)面，帶有標(biāo)簽置信度。如下圖的例子所示，分別是手機(jī)、汽車和社交領(lǐng)域。

圖14EI體驗(yàn)空間電商領(lǐng)域、汽車領(lǐng)域和社交領(lǐng)域例子

　　前面介紹的句子級(jí)或篇章級(jí)的情感分析只關(guān)注整個(gè)文本的正負(fù)面，沒有區(qū)分文本中具體的評(píng)價(jià)對(duì)象。所以就處理不了如下的例子：

　　該例子對(duì)汽車的各個(gè)屬性的評(píng)價(jià)正負(fù)面是不一樣的，如對(duì)動(dòng)力和外觀來說是正面，對(duì)空間和油耗來說是負(fù)面，所以就不能簡單的分析整體文本的正負(fù)面。本節(jié)介紹的目標(biāo)情感分析中的TG-ABSA任務(wù)，即固定實(shí)體下的給定屬性集合的評(píng)價(jià)正負(fù)面的預(yù)測(cè)。

　　傳統(tǒng)的屬性級(jí)情感分析可以采用每個(gè)屬性訓(xùn)練一個(gè)情感分類模型。但是這種方法需要訓(xùn)練多個(gè)分類模型，成本比較高。我們提出了基于單模型多屬性標(biāo)簽輸出的方法，即一個(gè)模型同時(shí)輸出N個(gè)屬性的情感標(biāo)簽。圖15是當(dāng)前在汽車領(lǐng)域結(jié)果，其中AttributeHitRate是屬性的命中率，即預(yù)測(cè)出的屬性占評(píng)論中實(shí)際出現(xiàn)的比率。HitAttributeAccuracy是命中的屬性標(biāo)簽預(yù)測(cè)的準(zhǔn)確率，即在所有命中的屬性中，標(biāo)簽預(yù)測(cè)正確屬性的占比。因?yàn)槲覀兊哪Ｐ涂梢暂敵雒總�(gè)屬性標(biāo)簽的置信度，所以可以基于置信度過濾來調(diào)節(jié)模型最終的輸出標(biāo)簽，圖中是個(gè)曲線。圖16是汽車領(lǐng)域?qū)傩约?jí)情感分析的例子，可以同時(shí)預(yù)測(cè)出評(píng)論中出現(xiàn)的動(dòng)力和外觀兩個(gè)屬性對(duì)應(yīng)的正負(fù)面。該功能支持汽車領(lǐng)域的八個(gè)屬性的評(píng)價(jià)預(yù)測(cè)，包括：內(nèi)飾、動(dòng)力、外觀、性價(jià)比、操控、能耗、空間、舒適性。

圖15屬性級(jí)情感分析的效果

圖16汽車領(lǐng)域?qū)傩郧楦蟹治隼��?/div>