基于表情符号的细粒度注意力网络用于微博评论情感分析
计算与语言
2022-06-27 v1
摘要
微博已成为人们实时表达情感的社会平台，从微博信息中分析用户情感倾向是一种趋势。表情符号的动态特征会影响微博文本的情感极性。由于现有模型很少考虑表情符号情感极性的多样性，本文提出一种基于ALBERT-FAET的微博情感分类模型。我们通过ALBERT预训练模型获取文本嵌入，并利用基于注意力的LSTM网络学习表情符号间嵌入。此外，提出一种细粒度注意力机制来捕获纯文本与表情符号之间的词级交互。最后，我们将这些特征拼接并输入CNN分类器以预测微博的情感标签。为验证模型及细粒度注意力网络的有效性，我们进行了对比实验与消融实验。对比实验表明，该模型在准确率、精确率和召回率三项评价指标上优于以往方法，且能显著提升情感分类效果。消融实验表明，与ALBERT-AET相比，所提ALBERT-FAET模型在各指标上更优，说明细粒度注意力网络能够理解表情符号的多样化信息。
引用
@article{arxiv.2206.12262,
title = {Emoji-based Fine-grained Attention Network for Sentiment Analysis in the Microblog Comments},
author = {Deng Yang and Liu Kejian and Yang Cheng and Feng Yuanyuan and Li Weihao},
journal= {arXiv preprint arXiv:2206.12262},
year = {2022}
}