文智背后的奥秘系列篇——情感分类_情感文本分类算法特色优势

一、概述
 

情感分类是对带有感情色彩的主观性文本进行分析、推理的过程，即分析对说话人的态度，倾向正面，还是反面。它与传统的文本主题分类又不相同，传统主题分类是分析文本讨论的客观内容，而情感分类是要从文本中得到它是否支持某种观点的信息。比如，“日媒：认为歼-31能够抗衡F-35，这种说法颇具恭维的意味。”传统主题分类是要将其归为类别为“军事”主题，而情感分类则要挖掘出日媒对于“歼-31能够抗衡F-35”这个观点，持反面态度。这是一项具有较大实用价值的分类技术，可以在一定程度上解决网络评论信息杂乱的现象，方便用户准确定位所需信息。

 

按照处理文本的粒度不同,情感分析可分为词语级、短语级、句子级、篇章级以及多篇章级等几个研究层次。按照处理文本的类别不同，可分为基于新闻评论的情感分析和基于产品评论的情感分析。

 

文智系统提供了一套情感分类的流程，可以对句子极别的评论进行分析，判断情感的正负倾向。接入业务的用户只需要将待分析文本按照规定的协议上传，就能实时得到情感分析的反馈。如果持续上传不同时间段的评论、综合分析，还能得到事件的发展趋势，或者产品的情感走势等。

 

二、常用分类方法介绍

 

文本分类方法一般包含如下几个步骤：训练语料准备、文本预处理、特征挖掘、分类算法选择、分类应用。具体的分类流程可以参考另一篇KM文章《文智背后的奥秘—自动文本分类》。这里，对一些常用的特征挖掘和分类算法做简单的介绍。
 
2.1特征挖掘方法

 

常见的特征选择方法有：TF-IDF、卡方、互信息、信息增益、X2统计量、交叉熵、Fisher判别式等方法，这里介绍一下工业上常用的两种方法。

 

2.1.1 TF-IDF

 

TF-IDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。这里介绍一种对 TF-IDF 的傻瓜理解法：

 

TF：词频，表示特征t在文档D中出现的次数，比如一篇谈论乔布斯的文章，可预期“iphone”、“苹果”的TF值为较高。

 

DF：包含特征t的文档数，DF越高，表示特征X对于衡量文档之间的区别作用低。比如“我”、“的”这样的词，DF一般最高。

 

IDF：定义为IDF =log(|D|/DF)，|D|为所有文档数。与DF成反比，IDF值越高，表示特征t对区别文档的意义越大。最终定义：TF-IDF=TF*IDF
 
2.1.2 信息增益

 

信息增益 (IG) 是公认较好的特征选择方法，它刻画了一个词语在文本中出现与否对文本情感分类的影响，即一个词语

在文本中出现前后的信息嫡之差。傻瓜式理解下信息增益：  

 

其中，n是总类别数，P(Ci)是第i类出现的概率，若每类平均出现，则P(Ci)=1/n.

 

P(t)是出现词语t的文档数除以总文档数，p(t否)=1-p(t).

 

P(Ci|t)即t出现时，Ci出现的概率，等于出现t且属于Ci的文档数除以所有出现t的文档总数。

 

p(Ci|t否)即t不出现但属于Ci的概率，等于未出现t但属于Ci的文档总数除以未出现t的所有文档数。
 
2.2分类算法

 

常见的分类算法有，基于统计的Rocchio算法、贝叶斯算法、KNN算法、支持向量机方法，基于规则的决策树方法，和较为复杂的神经网络。这里我们介绍两种用到的分类算法：朴素贝叶斯和支持向量机。
 
2.2.1朴素贝叶斯

 

贝叶斯公式：P(C|X)=P(X|C)P(C)/P(X)

 

先验概率P(C)通过计算训练集中属于每一个类的训练样本所占的比例，类条件概率P(X|C)的估计—朴素贝叶斯，假设事物属性之间相互条件独立，P(X|C)=∏P(xi|ci)。

 

朴素贝叶斯有两用常用的模型，概率定义略有不同，如下：设某文档d=(t1,t2,…,tk)，tk是该文档中出现过的单词，允许重复。

 

(1) 多项式模型：

 

先验概率P(c)= 类c下单词总数/整个训练样本的单词总数。

 

条件概率P(tk|c)=(类c下单词tk在各个文档中出现过的次数之和+1)/( 类c下单词总数+|V|)

 

(2) 伯努利模型：

 

先验概率P(c)= 类c下文件总数/整个训练样本的文件总数。

 

条件概率P(tk|c)=(类c下包含单词tk的文件数+1)/(类c下单词总数+2)

 

通俗点解释两种模型不同点在于：计算后验概率时，对于一个文档d，多项式模型中，只有在d中出现过的单词，才会参与后验概率计算，伯努利模型中，没有在d中出现，但是在全局单词表中出现的单词，也会参与计算，不过是作为“反例”参与的。

 

2.2.2 支持向量机模型SVM

 

SVM展开来说较为复杂，这里借助两张图帮助概念性地解释一下。对于线性可分的数据，可以用一超平面f(x)=w*x+b将这两类数据分开。如何确定这个超平面呢？从直观上而言，这个超平面应该是最适合分开两类数据的直线。而判定“最适合”的标准就是这条直线离直线两边的数据的间隔最大。

 

 

而对于线性不可分的数据，则将其映射到一个更高维的空间里，在这个空间里建立寻找一个最大间隔的超平面。怎么映射呢？这就是SVM的关键：核函数。

 

 

现在常用的核函数有：线性核，多项式核，径向基核，高斯核，Sigmoid核。如果想对SVM有更深入的了解，请参考《支持向量机通俗导论（理解SVM的三层境界）》一文。

 

三、情感分类系统实现

 

情感分类与主题分类除了第一章提到的挖掘信息不同外，处理的文本也大不相同。情感分类主要处理一些类似评论的文本，这类文本有以下几个特点：时新性、短文本、不规则表达、信息量大。我们在系统设计、算法选择时都会充分考虑到这些因素。情感分灰系统分为在线、离线两大流程，在线流程将用户输出的语句进行特征挖掘、情感分类、并返回结果。离线流程则负责语料下载、特征挖掘、模型训练等工作，系统结构如图3-1所示：

 

3.1 语料库建设

 

语料的积累是情感分类的基石，特征挖掘、模型分类都要以语料为材料。而语料又分为已标注的语料和未标注的语料，已标注的语料如对商家的评论、对产品的评论等，这些语料可通过星级确定客户的情感倾向；而未标注的语料如新闻的评论等，这些语料在使用前则需要分类模型或人工进行标注，而人工对语料的正负倾向，又是仁者见仁、智者见智，所以一定要与标注的同学有充分的沟通，使标注的语料达到基本可用的程度。

 

迄今，我们已对涵盖电商、新闻、影视、音乐、APP等类别的20多个站点评论进行抓取，累计已有4亿标注语料，每天新增标注语料200多万。

 

 

3.2极性词挖掘

 

情感分类中的极性词挖掘，有一种方法是“全词表法”，即将所有的词都作为极性词，这样的好处是单词被全面保留，但会导致特征维度大，计算复杂性高。我们采用的是“极性词表法”，就是要从文档中挖掘出一些能够代表正负极性的词或短语。如已知正面语料“@jjhuang：微信电话本太赞了！能免费打电话，推荐你使用哦~”，这句话中我们需要挖掘出“赞”、“推荐”这些正极性词。分为以下两步：

 

1）文本预处理 语料中的有太多的噪音，我们在极性词挖掘之前要先对文本预处理。文本预处理包含了分词、去噪、最佳匹配等相关技术。分词功能向大家推荐腾讯TE199的分词系统，功能强大且全面，拥有短语分词、词性标注等强大功能。去噪需要去掉文档中的无关信息如“@jjhuang”、html标签等，和一些不具有分类意义的虚词、代词如“的”、“啊”、“我”等，以起到降维的作用。最佳匹配则是为了确保提出的特征能够正确地反映正负倾向，如“逍遥法外”一词，如果提取出的是“逍遥”一词，则会被误认为是正面情感特征，而“逍遥法外”本身是一个负面情感词，这里一般可以采用最长匹配的方法。

 

2）极性词选择 文本预处理之后，我们要从众多词语中选出一些词作为极性词，用以训练模型。我们对之前介绍的TF-IDF方法略作变化，用以降维。因为我们训练和处理的文本都太短，DF和TF值大致相同，我们用一个TF值就可以。另外，我们也计算极性词在反例中出现的频率，如正极性词“赞”必然在正极性语料中的TF值大于在负极性语料中的TF值，如果二者的差值大于某个域值，我们就将该特征纳入极性词候选集，经过人工审核后，就可以正式作为极性词使用。

 

目前，我们已挖掘出12w+ 极性词，通过人工审核的有 8w+ 个，每天仍会从语料中挖掘出100+ 个极性词。

 

 

3.3极性判断

 

极性判断的任务是判断语料的正、负、中极性，这是一个复杂的三分类问题。为了将该问题简化，我们首先对语料做一个主客观判断，客观语料即为中性语料，主观语料再进行正、负极性的判断。这样，我们就将一个复杂三分类问题，简化成了两个二分类问题。如下：

 

 

在分类器选择中，主客观判断我们使用了上节介绍的支持向量机模型。而极性判断中，我们同时使用了朴素贝叶斯和支持向量机模型。其中朴素贝叶斯使用人工审核过的极性词作特征，而支持向量机模型则使用全词表作为特征。两个模型会对输入的语料分别判断，给出正、负极性的概率，最后由决策模块给出语料的极性。

 

在朴素贝叶斯模型中，我们比较了多项式模型和伯努力模型的效果。伯努力模型将全语料中的单词做为反例计算，因为评测文本大多是短文本，导致反例太多。进而伯努力模型效果稍差于多项式模型，所以我们选择了多项式模型。

 

支持向量机模型中，我们使用的是台湾大学林智仁开发的SVM工具包LIBSVM，这是一个开源的软件包，可以解决模式识别、函数逼近和概率密度估计等机器学习基本问题，提供了线性、多项式、径向基和S形函数四种常用的核函数供选择。LIBSVM 使用的一般步骤是：

 

1) 按照LIBSVM软件包所要求的格式准备数据集；

 

2) 对数据进行简单的缩放操作；

 

3) 考虑选用RBF 核函数；

 

4) 采用交叉验证选择最佳参数C与g；

 

5) 采用最佳参数C与g 对整个训练集进行训练获取支持向量机模型；

 

6) 利用获取的模型进行测试与预测。

 

在我们的模型中，经过几次试验，选用的高斯核，自己调的参数C。文智平台当前情感分类效果：

 

业界效果：2014 COAE 中文倾向性分析评测

备注：

 

1、语料来主要源于3个领域（手机、翡翠、保险）的微博数据；

 

2、针对观点句进行情感判断；

 

3、测试集是7000篇人工标注微博评论。
 
3.4垂直领域的情感分类

 

上述介绍的是我们通用的情感分类系统，面对的是通用的主观评论语料。但在一些领域中，某些非极性词也充分表达了用户的情感倾向，比如下载使用APP时，“卡死了”、“下载太慢了”就表达了用户的负面情感倾向；股票领域中，“看涨”、“牛市”表达的就是用户的正面情感倾向。所以我们要在垂直领域中，挖掘出一些特殊的表达，作为极性词给情感分类系统使用：

 

垂直极性词 = 通用极性词 + 领域特有极性词

 

该系统即为垂直领域的情感分类系统。目前，我们已对社会事件、APP、电影几个领域建立了垂直情感分类系统。领域的覆盖正在不断扩大……

 

3.5页面展示

 

情感分类系统已于线上正常运行，并为兄弟部门服务每天会对当日热门事件进行舆论分析统计，并给出主流正负面代表评论。移动端展示请观注文智公共号tencentwenzhi，pc页展示请获得权限后登录http://tdata.oa.com 查看。页面效果如下：

 

 

 

3.6 系统优化

 

情感分类的工作，我们还在继续。我们在现在和未来还可以做更多的工作来优化我们的情感分类系统：

 

1、 挖掘更多的极性词(多领域)

 

2、 尝试不同的分类器，调优现有的模型

 

3、 句式识别：否定句，转折句，排比句等……

 

4、 语料清洗：识别水军评论和用户评论

 

5、 极性词扩展：采用近义词、反义词等方法，将挖掘的极性词扩展更多

 

四、总结：

 

文智平台情感分类系统基于多个领域数、亿标注语料的学习，可对众多评论数据进行倾向性分析，掌握用户舆论走向。尤其是对新闻、影视、产品等领域句子极别的评论数据，倾向性分析更为准确、有效。系统目前已上线运营，并为兄弟部门提供舆论倾向服务。系统使用简单、效果可靠，期待能为其他业务部门提供更为广泛的应用。