关于情感分类(Sentiment Classification)的文献整理

最*对NLP中情感分类子方向的研究有些兴趣，在此整理下个人阅读的笔记(持续更新中)：

 

1. Thumbs up? Sentiment classification using machine learning techniques

年份：2002；关键词：ML；引用量：9674；推荐指数(1-5)：2

描述：基于电影评价，使用传统ML模型(Navie Bayes, maximum entropy classification和SVM)做情感分析。

心得：

（1）主题分类(Topic Classification)≈情感分类(Sentiment Classification)，但后者更难，因为前者更关注于找到识别性强的关键词，而后者更微妙些，比如：电影评价中会有“thwarted expectations”期待受挫败的评价（即用户说了一堆自己原本对电影的正面期待，但最后就说了一句表示不满意的话），这样常误导分类器认为该类评论是正面的，实际上不对。因此“the whole is not necessarily the sum of the parts”是当时研究的一个瓶颈。

（2）简单来说作者的做法是：BOW（基于frequency或presence）+ unigram/bigrams + POS/adjectives/position + NB/ME/SVM。依次讨论下做法各模块：

• BOW：情感分类使用presence的词袋模型更好，主题分类用frequency更好;
• unigram/bigrams：bigrams加入并没有带来提升（原因不明）。作者在选取特征时，全语料库中至少出现4次的unigrams和至少出现7次的bigrams抽出来当特征。另外前者给unigrams考虑了否定标签（not, isn't, didn't等）成"NOT_unigram"。
• POS/adjectives/position: 加入它们效果都没提升（原因不明）。POS是Part of Speech词(例如：名词动词这些，可用Oliver Mason's Qtag标注软件进行标注)，考虑到形容词对情感分类重要性，作者才加的。此外，由于用户评论电影可能是按照一定顺序，比如总体情感表达->剧情描述->观点总结，所以才加上位置。
• 模型：SVM表现最好。NB模型有对‘特征相互独立’的前提假设，所以使用bigrams效果会变差，SVM和ME不受bigrams影响。

---

 2. Opinion mining and sentiment analysis

年份：2016；关键词：Survey；引用量：10188；推荐指数(1-5)：1

描述：该篇文献综述也是由Bo Pang写的，内容多为理论描述，极少给出具体技术上的描述，有助于了解背景但实用性不太高。我就选读了Classification and extraction这一章节。

心得：我就罗列些值得注意的零散知识点如下：

（1）情感评分预测是一个顺序回归任务（即ordinal regression），因为分数为类似0-5的顺序型数据；

（2）中评不一定客观，有可能是评论者避免被卖家报复而打中评。因此评论的主客观分类是个研究点，主观评论更能对情感分类有帮助。有时单次出现的词可能更具主观性。

（3）对情感分类可能有帮助的点：

• 分词位置；
• 更为复杂的特征；
• 歧义词；
• POS：解决词义模糊；
• 形容词：绑定主观性评论；
• 语法：Dependency-tree-based特征可能优于BOW特征；
• 否定标签Negation；
• 讽刺鉴别；
• 加入topic信息：例如：‘目标研究的党派’和‘候选党派’在文本中被替换为'PARTY'和‘OTHER’；
• Domain Adaption：相同词在不同领域可能有不同含义，例如“go read book”在书评和影评中分别为好评和差评；
• Cross-lingual Adaption：使用机器翻译在情感分析预处理中，可以处理跨语种的情感分类。

---

3. Deep Learning for Sentiment Analysis: A Survey

年份：2018；关键词：Survey；引用量：422；推荐指数(1-5)：4

描述：该篇文献综述总结了用深度学*做情感分析的相关研究，大部分都是罗列了各种技术上的研究描述，总体来说是不错的，推荐看下。

心得：情感分析有三种levels：文档级(Document-level)、句子级（Sentence-level）和立场级(Aspect-level)。Document通过客观性分类(subjectivity classification)知道哪些句子客观性强，再对这些句子进行情感极性分析(polarity classification)得到句子的情感极性(积极/消极)，而句子能使用立场抽取(Aspect Extraction)和实体抽取(Entity Extraction)分别抽取出立场(例如：“声音质量”)和实体目标(例如：iPhone)进行情感关联。

（1）文本表征：文本表征有三种做法：BoW，embedding和BoW+embedding。但使用BoW有三种缺点：稀疏性、忽略词顺序、没考虑语义信息。而且在文本表征过程中，有些人会考虑引入其他特征，例如商品评论的文本表征中，会考虑加入用户信息(反映用户个人偏好)和商品信息(商品质量)。很早以前会用parse tree做文本表征，但是CNN、RNN和embedding的出现，逐渐取代了它。

（2）立场情感分类的三大重要任务：对目标target的上下文进行表征；生成target的表征；对具体的target识别它重要的情感上下文(words)。

（3）因为文档包含长依赖关系，所以文档级情感分类常用关注机制。

---

4. Transformers: State-of-the-Art Natural Language Processing

 年份：2018；关键词：开源代码库Transformers；引用量：15；推荐指数(1-5)：3

描述：介绍了Transformers库，内含各类基于Transformer的前沿模型和预训练模型权重，可拿来做不同的NLP任务。代码已开源：https://github.com/huggingface/transformers。

心得：很不错的开源代码库，设计的pipeline是：预处理数据、模型应用和预测。主要对应的三个代码模块是：

• tokenizer：将原文本转化为稀疏的索引编码(index encodings)；
• transformer：将稀疏索引转化为上下文编码(contextual embeddings)；
• head：使用上下文编码做特定任务的预测(task-specific prediction)。

---

 5. RoBERTa: A Robustly Optimized BERT Pretraining Approach

 年份：2019；关键词：RoBERTa；引用量：421；推荐指数(1-5)：5

描述：作者对BERT进行预训练优化后使得模型表现提高。优化点有4个:

• 更多数据，训练更久。原BERT使用BOOKCORPUS和English WIKIPEDIA共16G数据训练，而RoBERTa还加入了CC-News，OPENWEBTEXT和STORIES数据集(共计160G数据)；此外，通过梯度累计，增大batch size也能提高模型表现。
• 去掉“预测下一句”目标。在BERT预训练时，有两个目标：Masked Language Model(MLM)和Next Sentence Prediction(NSP)，NSP是个二分类任务，为了预测是否两个segments片段在原文本里是连续的。该论文作者实验后发现去掉NSP损失会亲为提高下游任务的表现。
• 使用更大的Byte-Pair Encoding(BPE)。BPE是介于字符和单词级别的混合文本表征编码，相比于整个字，它更依赖于subwords单元。
• 采用动态掩码(Dynamic Masking)。原BERT是静态掩码(即在预训练前就进行一次掩码预处理)，而动态掩码是每次都想模型输入不同的掩码序列。

心得：RoBERTa现在比较主流的优化预训练BERT的方法了。

---

 6. Pre-Training with Whole Word Masking for Chinese BERT

 年份：2019；关键词：WWM；引用量：71；推荐指数(1-5)：5

描述：Whole Word Masking(WWM)是BERT一个升级操作。它会将属于一个word的token合并起来。如下图所示：

作者实验发现RoBERT-wwm-ext-large(wwm:Whole Word Masking; ext:extended data; large:网络结构更大，BERT_base是12层，768隐藏层维度，12个关注头，110M的参数量(12×768×12)，而BERT_large是24层，1024隐藏层维度，16个关注头，340M的参数量(12*1024*16))表现最好。

心得：作者在最后给了一些建议：

• 起始学*率的设置最重要。BERT和BERT-wwm的学*率*乎相同，可共用。但ERINE(Sun等人提出的Enhanced Representation through kNowledge IntEgration)一定要调lr。
• BERT和BERT-wwm是在维基百科上训练的，所以在正式文本上表现较好。而ERINE有在博客文本上训练，所以在非正式文本上会表现好些。
• 在阅读理解和文本分类上，建议使用BERT/BERT-wwm。
• 做含繁体中文的任务用BERT/BERT-wwm，因为ERINE预处理会清除繁体字。
• 在做新的domain任务前，建议再用新domain数据去预训练下。如果不想再预训练，那就选择相*domain预训练过的模型。

---