文本情绪分类的资源建设及关键技术研究

Emotion classification is a fundational task in the study of sentiment analysis. This task aims to classify the text according the expressed emotion categories. This task not only benefits the theoritical study on Natural Language Processing (NLP) but also helps many real applications, such as social emotion monitoring and information security. Currently, studies on this task face some important problems including the shortage of the labeled resource, weak textual representation method, and weak emotion classification methods. To deal with these problems, we conduct the following studies: 1) We study on an annotation framework for emotion classification and use this framework to annotate a large-scale corpora for emotion classificaiton. 2) We study on an novel text representation method based on distributed representation with multiple information resources. This method could effectively leverage all information. 3) We study on a multi-channel CNN approach to emotion classification which is able to take adavange of the learned text representation with multiple information resources. 4) We study on a Integer Linear Programming (ILP) –based approach which solves the “multi-label” classification problem in emotion classification.

情绪分类是情感分析的一个核心任务，旨在对文本中所表达的情绪信息进行自动分类。该任务是自然语言理解方法研究的一个重要组成部分，同时，该任务在舆情监控、信息安全等领域具有广泛的应用需求。针对目前情绪分类研究中存在的标注资源匮乏、文本表示信息不足、情感分类方法有缺陷等问题，本项目拟开展以下研究工作：1）研究带有基本情绪和复合情绪的情绪分类体系，并在该分类体系下，构建覆盖多个文本类型的高质量情感分类语料库；2）研究基于多信息的文本分布式表示方法，以充分利用多元信息来源中包含的情绪信息；3）研究基于多通道卷积神经网络的情绪分类方法，用于充分利用已学到的多信息文本表示。4）研究基于线性规划模型的情绪分类方法，有效解决情绪分类中普遍存在的样本“多标签”问题。

本课题旨在进行文本情绪分类的资源建设及关键技术研究，重点研究面向问答文本、属性级文本、篇章级文本、对话文本等不同类型文本的情绪分类方法。四年来，课题总体进展顺利，所有研究计划已按照要求完成，达到预期目标。研究内容包括：（1）面向问答文本，提出了一种基于层次化匹配网络的整体性问答情绪分类方法；（2）面向属性级文本，提出了一种单词级和子句级的多层注意力神经网络模型；（3）面向篇章级文本，提出一种对抗式注意力网络的多维情绪回归模型；（4）面向对话文本，提出了一种基于对话建模的图卷积神经网络模型。这些研究内容的研究成果均已发表在自然语言处理领域的重要会议上面。