使用神经网络进行微博情绪识别与诱因抽取联合模型的说明

　　情绪诱因抽取作为深层次的文本情绪理解已成为情绪分析任务中的新热点，当前研究通常把诱因抽取和情绪识别看作两个独立的任务，容易导致错误在任务间的传播问题。考虑到情绪识别及诱因抽取是相互作用的，以及微博文本中表情符通常表达文本的情绪，提出了一种基于双向长短期记忆条件随机场（ Bi-LSTM-CRF）模型的情绪诱因和表情符情绪识别的联合模型。该模型将情绪诱因抽取以及情绪识别形式化为一个统一的序列标注问题，充分利用了情绪诱因与情绪之间的互相作用，将情绪诱因的抽取和情绪识别同时进行。实验结果表明，该模型在诱因抽取任务中的F值为82.70%，在情绪识别任务中的F值为74.74%，相比串行模型的F值分别提高5.82和17. 12个百分点，这个结果表明联合模型能够有效降低任务串行进行时的误差传递，同时提高了诱因抽取和情绪识别的F值。
 

　　情绪分析是自然语言处理领域特别是社交媒体领域非常重要的研究内容之一，主要研究文本所蕴含的情绪及与情绪相关的深层信息。目前文本的情绪分析主要集中在情绪识别任务上，如文本的情绪极性分析，等对文本的正负面情感程度进行了研究；或判断文本的情绪是高兴、喜欢、讨厌等。就对微博文本的情绪分类进行了探索。

　　为了实现深层次的文本情绪理解，情绪诱因抽取。已成为情绪分析中新的热点问题，所谓情绪诱因抽取就是针对文本中出现的被描述者的情绪，抽取出被描述者情绪产生的原因信息。当前对情绪诱因的抽取主要分为两类方法：一类是基于规则的方法。主要是通过语法规则构造情绪诱因与情绪之间的模板进行情绪诱因的抽取；还有一类是基于统计的方法。主要通过条件随机场（ Conditional Random Field，CRF）和支持向量机（Support Vector Machine，SVM）分类器等方法进行情绪诱因的抽取。