基于表情符号协同注意力网络的微博情感分析

表情符号（emojis）被广泛用于在线社交网络以表达情感、态度和观点。作为情感导向的字符，表情符号可被建模为面向接收者或主体的情感重要特征用于情感分析。然而，现有方法主要将表情符号作为启发式信息，未能解决歧义噪声问题。近期研究将表情符号作为独立输入以分类文本情感，但忽略了文本与表情符号之间交互的情感影响。这导致表情符号的情感语义无法被充分挖掘。在本文中，我们提出一种基于表情符号的协同注意力网络，用于学习微博上文本与表情符号之间的相互情感语义。我们的模型采用基于双向长短期记忆（LSTM）的协同注意力机制融合文本与表情符号，并在卷积神经网络分类器中集成挤压激励（squeeze-and-excitation）模块以提升其对情感语义特征的敏感性。实验结果表明，所提方法在社交媒体短文本情感分析上显著优于若干基线。