利用否定词多任务学习改进情感分析

情感分析直接受到语言中组合现象的影响，这些现象作用于文本中词与短语的先验极性。否定是这些现象中最普遍的，为了正确预测情感，分类器必须能够识别否定并厘清其作用域对文本最终极性的影响。本文提出一种多任务方法，将关于否定的信息显式地引入情感分析，我们表明该方法优于以数据驱动方式隐式学习否定。我们描述了我们的方法——一种具有 LSTM 层选择性共享的级联神经架构，并表明以否定作为辅助任务显式训练模型有助于改进情感分析这一主任务。该效果在多个不同的标准英语数据集上针对两项任务均得到展示，我们分析了系统中与其性能相关的若干方面，包括输入数据的类型与数量以及不同的多任务设置。