25、情感嵌入语义空间助力更精准的情感分析

情感嵌入语义空间助力更精准的情感分析

1. 引言

在社交媒体平台上，情感分析已成为一种流行的应用。它旨在将文本分类为不同的情感类别，如积极或消极，甚至更细粒度的类别，像非常积极、积极、中立等。对于企业而言，精准的情感分析有助于识别大众对产品的看法，从而进行产品改进，因此在众多应用场景中都具有重要意义。

词嵌入是情感分析处理系统的关键组成部分。根据词嵌入所捕获的信息，用于情感分析任务的词嵌入主要分为两类：语义导向的词嵌入和情感导向的词嵌入。语义导向的词嵌入（如 Word2Vec）能够从上下文中捕获语义信息，但往往无法充分捕捉情感信息。这就导致一些词虽然向量相似，但情感极性却截然不同，进而影响后续的情感分析性能。例如，在语义空间中，“good”和“bad”可能被认为很接近，但实际上它们的情感极性完全相反。

为了解决这个问题，一些研究建议采用监督方法，从标注数据中构建语义导向的词嵌入，通过目标函数根据训练实例的情感标签来优化词向量。然而，这种方法一方面会使词嵌入丢失原始的语义信息，另一方面需要大量的标注数据和处理时间。还有研究者尝试使用情感词典来改进语义导向的词嵌入，但数据集和情感词典之间的差异也会对情感分析性能产生影响。

为了克服这些问题，本文提出了一种新颖且高效的方法，用于从语义空间生成情感空间，即情感嵌入语义空间（SESS）。该方法基于 K - means 和 CNN，具有以下主要贡献：
- 从语义空间生成的 SESS 能够同时捕获语义和情感信息，基于 SESS 构建的分类器在情感分析任务中的准确性得到了提升。
- 基于情感词典和处理数据集，通过 SESS 生成了更细粒度的情感词典。

2. 相关工作回顾