文本情绪原因识别是情绪分析的重要研究任务,其目的是发现文本中个体情绪产生、变迁的原因。近年来,深度神经网络和注意力机制被广泛应用到情绪原因识别方法中,取得了较好的效果。但在这些工作中,文本中的语义信息以及上下文信息未能被...文本情绪原因识别是情绪分析的重要研究任务,其目的是发现文本中个体情绪产生、变迁的原因。近年来,深度神经网络和注意力机制被广泛应用到情绪原因识别方法中,取得了较好的效果。但在这些工作中,文本中的语义信息以及上下文信息未能被充分学习,子句的相对位置信息也未被有效利用。因此,该文提出一种基于上下文和位置交互的协同注意力神经网络模型(Context and Position Interactive Co-Attention Neural Network, CPC-ANN)来识别情绪原因。该模型不仅通过Transformer网络的多头自注意力机制学习到不同的文本子句语义信息,还充分利用候选原因子句的邻近子句来获得更多的上下文信息。同时,该模型通过在子句的每个词向量中嵌入相对位置信息,为文本情绪原因识别提供线索。在EMNLP2016中文情绪原因发现数据集上的实验结果显示,CPC-ANN模型取得了比其他基线模型更好的效果。展开更多
文摘文本情绪原因识别是情绪分析的重要研究任务,其目的是发现文本中个体情绪产生、变迁的原因。近年来,深度神经网络和注意力机制被广泛应用到情绪原因识别方法中,取得了较好的效果。但在这些工作中,文本中的语义信息以及上下文信息未能被充分学习,子句的相对位置信息也未被有效利用。因此,该文提出一种基于上下文和位置交互的协同注意力神经网络模型(Context and Position Interactive Co-Attention Neural Network, CPC-ANN)来识别情绪原因。该模型不仅通过Transformer网络的多头自注意力机制学习到不同的文本子句语义信息,还充分利用候选原因子句的邻近子句来获得更多的上下文信息。同时,该模型通过在子句的每个词向量中嵌入相对位置信息,为文本情绪原因识别提供线索。在EMNLP2016中文情绪原因发现数据集上的实验结果显示,CPC-ANN模型取得了比其他基线模型更好的效果。
