第４４ 卷 第３ 期２０２１ 年３ 月计 算机 学 报ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳＶｏｌ ．４４Ｎｏ． ３Ｍａｒ． ２０２１融合情绪知识的案件微博评论情绪分类郭贤伟 赖 华 余正涛 高盛祥 相 艳（ 昆明理工大学信息工程与自动化学院 昆明 ６５ ０５ ００）（ 昆明理工大学云南省人工智能实验室 昆明 ６５ ０５ ００）摘 要 案件微博评论的情绪分类是一个特定领域的情感多分类任务， 旨在快速有效地识别海量评论中的情绪，有助于相关部门及时评估舆情风险和制定相关政策．由于传统方法难以有效利用评论中常用的情绪词和表情符号等情绪知识， 本文提出一种融合情绪知识的案件微博评论情绪分类方法． 首先， 整合现有的情感计算资源构建了一个包含案件微博情绪词典、表情符号、网络用语、否定词及程度副词等的情绪知识库． 其次， 考虑情绪知识库和词性的作用定义了１５种情绪知识， 通过提出的连续向量表示方法构建评论的情绪知识表示．然后将评论的语义表示和情绪知识表示分别输人一个语义初始化滤波器的卷积神经网络（ＩＮＩＴＣＮＮ）和一个结合注意力机制的全连接网络中， 得到深层的语义特征向量和情绪知识表示的注意力特征向量．最后， 将两个特征向量进行拼接以融合语义特征和情绪知识特征， 训练一个情绪分类模型， 称为ＥＫ ＩＮＩＴＣＮＮＣＥｍｏｔｉ ｏｎａｌｋｎｏｗｌｅｄｇｅｅｎｈａｎｃｅｄＩＮＩＴＣＮＮ）． 在案件微博评论数据集上的实验表明， 相比ＩＮＩＴＣＮＮ， ＥＫＩＮＩＴＣＮＮ的Ｍｔｃｒｏ Ｐｒｅｃ以ｏｎ、Ｍｔｃｒｏ Ｒｅ⑶＂和Ｍｔｃｒｏ Ｆｌ指标分别提升了１． ８７％、１． ９５ ％和１． ８８％．ＥＫＩＮＩＴＣＮＮ在ＮＬＰＣＣ中文微博情绪分析评测数据集上的性能则超过了目前已知文献中的最好结果． 实验证明， 该方法能有效地融人外部情绪知识， 且相对传统方法在情绪分类任务上具有明显的优势．关键词 案件微博评论； 情绪知识表示； 卷积神经网络； 注意力机制； 情绪分类中图法分类号ＴＰ１８ＤＯＩ号１０．１１８９７／ＳＰ．Ｊ．１０１６ ．２０２１． ００５６４ＥｍｏｔｉｏｎＣｌａｓｓｉ ｆｉｃａｔｉｏｎｏｆＣａｓｅ－ＲｅｌａｔｅｄＭｉｃｒｏｂｌｏｇＣｏｍｍｅｎｔｓＩｎｔｅｇｒａｔｉｎｇＥｍｏｔｉｏｎａｌＫｎｏｗｌｅｄｇｅＧＵＯＸｉ ａｎＷｅｉＬＡＩＨｕａＹＵＺｈｅｎｇＴａｏＧＡＯＳｈｅｎｇＸｉ ａｎｇＸＩＡＮＧＹａｎ（． Ｆａｃｕｌ ｔｙｏｆＩｎｆｏｒｍａｔ ｉｏｎＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｕＬｏｍａＬ ｉｏｎ？ＫｕｎｍｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉ ｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ？， Ｋｕｎｍｉｎｇ６５０５００）（ＹｕｎｎａｎＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｒｔ ｉｆｉｃｉａｌＩｎｔｅｌ ｌｉｇｅｎｃｅ？ ＫｕｎｍｉｎｇＵｎｉｖｅｒｓｉ ｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ？Ｋｕｎｍｉｎｇ６５０５００）ＡｂｓｔｒａｃｔＣｕｒｒｅｎｔｌ ｙ，ｓｏｃｉａｌｍｅｄｉａｐｌ ａｔｆｏｒｍｓｒｅｐｒｅｓｅｎｔｅｄｂｙＷｅｉ ｂｏａｌ ｌｏｗｕｓｅｒｓｔｏｅｘｐｒｅｓｓｔｈｅｉｒｏｐｉｎｉｏｎｓａｎｄｅｍｏｔｉ ｏｎｓａｎｙｔｉｍｅａｎｄａｎｙｗｈｅｒｅｄｕｅｔｏｔｈｅｉｒｏｐｅｎｎｅｓｓａｎｄｃｏｎｖｅｎｉｅｎｃｅ．Ｔｈｅｃａｓｅ ｒｅｌ ａｔｅｄｍｉ ｃｒｏｂｌ ｏｇｐｕｂｌ ｉ ｃｏｐｉ ｎｉ ｏｎｉ ｓａｋｉｎｄｏｆＩｎｔｅｒｎｅｔｐｕｂｌ ｉ ｃｏｐｉ ｎｉ ｏｎｒｅｌａｔｅｄｔｏｔｈｅｃａｓｅ，ｗｈｉ ｃｈｈａｓｔｈｅｃｈａｒａｃｔｅｒｉ ｓｔｉ ｃｓｏｆｆａｓｔｔｒａｎｓｍｉ ｓｓｉ ｏｎｓｐｅｅｄａｎｄｈｉｇｈｓｅｎｓｉｔｉ ｖｉ ｔｙ． Ｅｍｏｔｉ ｏｎｃｌ ａｓｓｉｆｉ ｃａｔｉ ｏｎｏｆｃａｓｅｒｅｌａｔｅｄｍｉｃｒｏｂｌ ｏｇｃｏｍｍｅｎｔｓｉｓａｍｕｌ ｔｉｃｌａｓｓｉｆｉｃａｔｉ ｏｎｔａｓｋｏｆｓｅｎｔｉｍｅｎｔｉ ｎａｓｐｅｃｉ ｆｉｃｆｉｅｌ ｄ，ｗｈｉｃｈａｉｍｓｔｏｑｕｉｃｋｌ ｙａｎｄｅｆｆｅｃｔｉ ｖｅｌ ｙｉ ｄｅｎｔｉｆｙｔｈｅｅｍｏｔｉ ｏｎｓｉ ｎａｌ ａｒｇｅｎｕｍｂｅｒｏｆｃｏｍｍｅｎｔｓ．Ｔｈｉｓｔａｓｋｈｅｌｐｓｒｅｌ ｅｖａｎｔｄｅｐａｒｔｍｅｎｔｓｔｏｔｉ ｍｅｌ ｙｅｖａｌ ｕａｔｅｐｕｂｌｉｃｏｐｉ ｎｉ ｏｎｒｉｓｋｓａｎｄｆｏｒｍｕｌ ａｔｅｒｅｌ ｅｖａｎｔｐｏｌｉｃｉｅｓ．收稿日期：２０ ２０ ０３ １３； 在线发布日期：２０２０ ０９ ２２ ． 本课题得到国家重点研发计划（２０１８ＹＦＣ０８３０１０５） 、 云南省髙新技术产业专项（２０１６０６） 、国家自然科学基金（ ６１９７２ １８６） 资助． 郭贤伟， 硕士研究生， 主要研究方向为自然语言处理、 情感分析． Ｅｍａｉｌ： ｘｗｇｕ〇ｌｌｌ ＠１６３．ｃｏｍ．赖 华， 硕士， 副教授， 中国计算机学会（ ＣＣＦ） 会员， 主要研究方向为智能信息处理、 机器学习． 余正涛（ 通信作者） ， 博士， 教授， 中国计算机学会（ ＣＣＦ）髙级会员， 主要研究领域为自然语言处理、 信息检索和机器翻译． Ｅｍａｉｌ ： ｚｔｙｕ＠ｈ〇ｔ ｍａｉＬｃｏｍ． 高盛祥， 博士， 副教授， 中国计算机学会（ ＣＣＦ） 会员， 主要研究方向为自然语言处理、 信息检索和机器翻译． 相 艳， 博士研究生， 副教授， 中国计算机学会（ ＣＣＦ） 会员， 主要研究方向为文本挖掘、 情感分析．郭贤伟等： 融合情绪知识的案件微博评论情绪分类 ５６ ５３ 期Ｅｍｏｔｉ ｏｎｃｌ ａｓｓｉ ｆｉｃａｔｉ ｏｎｕｓｕａｌ ｌ ｙｕｓｅｓｔｈｅｆｏｌ ｌ ｏｗｉ ｎｇｍｅｔｈｏｄｓ：ｍｅｔｈｏｄｓｂａｓｅｄｏｎｅｍｏｔｉｏｎｄｉｃｔｉ ｏｎａｒｙ，ｍｅｔｈｏｄｓｂａｓｅｄｏｎｔｒａｄｉ ｔｉｏｎａｌｍａｃｈｉ ｎｅｌ ｅａｒｎｉ ｎｇ，ａｎｄｍｅｔｈｏｄｓｂａｓｅｄｏｎｄｅｅｐｌ ｅａｒｎｉ ｎｇ．Ｅｍｏｔｉ ｏｎｄｉｃｔｉ ｏｎａｒｙｂａｓｅｄｍｅｔｈｏｄｓ，ｗｈｉｃｈｒｅｌ ｙｈｅａｖｉｌ ｙｏｎｔｈｅｅｍｏｔｉ ｏｎｄｉｃｔｉ ｏｎａｒｙ，ａｎｄｔｈｅＩｎｔｅｒｎｅｔｉｓｆｕｌ ｌｏｆｎｅｗｗｏｒｄｓｔｏｅｘｐｒｅｓｓｅｍｏｔｉ ｏｎｓ，ｉｔｉｓｉ ｍｐｒａｃｔｉｃａｌｔｏｉｍｐｒｏｖｅｔｈｅｅｍｏｔｉ ｏｎｄｉｃｔｉ ｏｎａｒｙｉ ｎｒｅａｌ ｔｉ ｍｅ．Ｔｒａｄｉ ｔｉｏｎａｌｍａｃｈｉ ｎｅｌ ｅａｒｎｉ ｎｇｂａｓｅｄｍｅｔｈｏｄｓｏｆｔｅｎｕｓｅｓｕｐｅｒｖｉｓｅｄｌ ｅａｒｎｉ ｎｇｍｅｔｈｏｄｓ，ｗｈｉ ｃｈｒｅｌｙｏｎｌ ａｒｇｅａｍｏｕｎｔｓｏｆｌ ａｂｅｌ ｅｄｄａｔａａｎｄｃｏｍｐｌ ｅｘｆｅａｔｕｒｅｅｎｇｉ ｎｅｅｒｉ ｎｇ． Ｄｅｅｐｌ ｅａｒｎｉ ｎｇｂａｓｅｄｍｅｔｈｏｄｓｇｅｎｅｒａｌ ｌｙｅｎｃｏｄｅｔｅｘｔａｓａｗｈｏｌ ｅａｎｄｌ ａｃｋｔｈｅｅｆｆｅｃｔｉ ｖｅｕｓｅｏｆｅｘｉｓｔｉ ｎｇｅｍｏｔｉｏｎｃｏｍｐｕｔｉ ｎｇｒｅｓｏｕｒｃｅｓ． Ｓｉｎｃｅｉ ｔｉ ｓｄｉｆｆｉ ｃｕｌ ｔｆｏｒｔｒａｄｉ ｔｉ ｏｎａｌｍｅｔｈｏｄｓｔｏｅｆｆｅｃｔｉ ｖｅｌ ｙｕｓｅｅｍｏｔｉ ｏｎａｌｋｎｏｗｌ ｅｄｇｅｓｕｃｈａｓｔｈｅｅｍｏｔｉ ｏｎｗｏｒｄｓａｎｄｅｍｏｔｉｃｏｎｓｃｏｍｍｏｎｌｙｕｓｅｄｉｎｃｏｍｍｅｎｔｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｅｍｏｔｉ ｏｎｃｌ ａｓｓｉ ｆｉｃａｔｉ ｏｎｍｅｔｈｏｄｏｆｃａｓｅ ｒｅｌ ａｔｅｄｍｉｃｒｏｂｌ ｏｇｃｏｍｍｅｎｔｓｔｈａｔｉｎｔｅｇｒａｔｅｓｅｍｏｔｉ ｏｎａｌｋｎｏｗｌ ｅｄｇｅ．Ｔｈｉ ｓｍｅｔｈｏｄｕｓｅｓａｃｏｎｖｏｌ ｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗｉ ｔｈａｓｅｍａｎｔｉ ｃｉ ｎｉ ｔｉ ａｌ ｉｚａｔｉ ｏｎｆｉ ｌ ｔｅｒａｎｄａｆｕｌ ｌ ｙｃｏｎｎｅｃｔｅｄｎｅｔｗｏｒｋｃｏｍｂｉ ｎｅｄｗｉｔｈａｎａｔｔｅｎｔｉ ｏｎｍｅｃｈａｎｉｓｍｔｏｆｕｓｅｔｈｅｓｅｍａｎｔｉｃｆｅａｔｕｒｅｓａｎｄｅｍｏｔｉ ｏｎａｌｋｎｏｗｌ ｅｄｇｅｆｅａｔｕｒｅｓｏｆｃｏｍｍｅｎｔｓｔｏａｃｈｉｅｖｅｅｍｏｔｉ ｏｎｃｌ ａｓｓｉｆｉｃａｔｉｏｎ．Ｆｉｒｓｔｌ ｙ，ｉｔｉｎｔｅｇｒａｔｅｓｔｈｅｅｘｉｓｔｉ ｎｇｓｅｎｔｉｍｅｎｔｃｏｍｐｕｔｉｎｇｒｅｓｏｕｒｃｅｓｔｏｃｏｎｓｔｒｕｃｔａｎｅｍｏｔｉ ｏｎａｌｋｎｏｗｌ ｅｄｇｅｂａｓｅｔｈａｔｉ ｎｃｌ ｕｄｅｓｔｈｅｃａｓｅｍｉ ｃｒｏｂｌ ｏｇｅｍｏｔｉ ｏｎｄｉ ｃｔｉ ｏｎａｒｙ，ｅｍｏｔｉ ｃｏｎｓ，ｎｅｔｗｏｒｋｂｕｚｚｗｏｒｄｓ，ｎｅｇａｔｉ ｖｅｗｏｒｄｓ，ａｎｄｄｅｇｒｅｅａｄｖｅｒｂｗｏｒｄｓ．Ｓｅｃｏｎｄｌｙ，ｃｏｎｓｉ ｄｅｒｉ ｎｇｔｈｅｒｏｌｅｏｆｔｈｅｅｍｏｔｉ ｏｎａｌｋｎｏｗｌｅｄｇｅｂａｓｅａｎｄｐａｒｔｏｆｓｐｅｅｃｈ，１５ｋｉ ｎｄｓｏｆｅｍｏｔｉ ｏｎａｌｋｎｏｗｌｅｄｇｅａｒｅｄｅｆｉ ｎｅｄ，ａｎｄｔｈｅｅｍｏｔｉ ｏｎａｌｋｎｏｗｌ ｅｄｇｅｒｅｐｒｅｓｅｎｔａｔｉ ｏｎｏｆｃｏｍｍｅｎｔｓｉ ｓｃｏｎｓｔｒｕｃｔｅｄｂｙｔｈｅｃｏｎｔｉ ｎｕｏｕｓｖｅｃｔｏｒｒｅｐｒｅｓｅｎｔａｔｉ ｏｎｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉｎｔｈｉ ｓｐａｐｅｒ．Ｔｈｅｎ，ｔｈｅｓｅｍａｎｔｉｃｒｅｐｒｅｓｅｎｔａｔｉ ｏｎａｎｄｅｍｏｔｉ ｏｎａｌｋｎｏｗｌｅｄｇｅｒｅｐｒｅｓｅｎｔａｔｉ ｏｎｏｆｃｏｍｍｅｎｔｓａｒｅｉ ｎｐｕｔｉ ｎｔｏａｃｏｎｖｏｌ ｕｔｉ ｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈｓｅｍａｎｔｉｃｉ ｎｉｔｉａｌｉ ｚａｔｉ ｏｎｆｉｌ ｔｅｒｓ（ＩＮＩＴＣＮＮ）ａｎｄａｆｕｌ ｌ ｙｃｏｎｎｅｃｔｅｄｎｅｔｗｏｒｋｗｉ ｔｈａｔｔｅｎｔｉ ｏｎｍｅｃｈａｎｉ ｓｍ，ｔｏｏｂｔａｉ ｎａｄｅｅｐｓｅｍａｎｔｉ ｃｆｅａｔｕｒｅｖｅｃｔｏｒａｎｄａｎａｔｔｅｎｔｉ ｏｎｆｅａｔｕｒｅｖｅｃｔｏｒ． Ｆｉ ｎａｌ ｌｙ，ｔｈｅｔｗｏｆｅａｔｕｒｅｖｅｃｔｏｒｓａｒｅｃｏｎｃａｔｅｎａｔｅｄｔｏｆｕｓｅｓｅｍａｎｔｉｃａｎｄｅｍｏｔｉ ｏｎａｌ ｋｎｏｗｌ ｅｄｇｅｆｅａｔｕｒｅｓｔｏｔｒａｉ ｎａｎｅｍｏｔｉ ｏｎｃｌ ａｓｓｉ ｆｉｃａｔｉ ｏｎｍｏｄｅｌ ，ｃａｌ ｌ ｅｄＥＫＩＮＩＴＣＮＮ（Ｅｍｏｔｉｏｎａｌｋｎｏｗｌ ｅｄｇｅｅｎｈａｎｃｅｄＩＮＩＴＣＮＮ） ． Ｉｎｏｒｄｅｒｔｏｐｒｏｖｅｔｈｅｅｆｆｅｃｔｉ ｖｅｎｅｓｓｏｆｔｈｅｍｏｄｅｌｉ ｎｔｈｉｓｐａｐｅｒ，ｅｘｐｅｒｉ ｍｅｎｔｓｗｅｒｅｃｏｎｄｕｃｔｅｄｏｎｔｈｅｃａｓｅ ｒｅｌ ａｔｅｄｍｉ ｃｒｏｂｌ ｏｇｃｏｍｍｅｎｔｄａｔａｓｅｔａｎｄｔｈｅＮＬＰＣＣＣｈｉ ｎｅｓｅｍｉｃｒｏｂｌ ｏｇｅｍｏｔｉｏｎａｎａｌ ｙｓｉｓｅｖａｌ ｕａｔｉ ｏｎｄａｔａｓｅｔ． Ｅｘｐｅｒｉｍｅｎｔｓｏｎｔｈｅｃａｓｅ ｒｅｌ ａｔｅｄｍｉｃｒｏｂｌｏｇｃｏｍｍｅｎｔｄａｔａｓｅｔｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｔｏＩＮＩＴＣＮＮ，ｔｈｅＭａｃｒｏ＿Ｐｒｅｃｉｓｉｏｎ，Ｍａｃｒｏ＿ＲｅｃａＬＬ ，ａｎｄＭａｃｒｏ＿ＦＩｉ ｎｄｉ ｃａｔｏｒｓｏｆＥＫＩＮＩＴＣＮＮｈａｖｅｉｎｃｒｅａｓｅｄｂｙ１．８７％，１．９５％，ａｎｄ１．８８ ％，ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＥＫＩＮＩＴＣＮＮｏｎＮＬＰＣＣＣｈｉ ｎｅｓｅｍｉ ｃｒｏｂｌ ｏｇｅｍｏｔｉ ｏｎａｎａｌｙｓｉ ｓｅｖａｌ ｕａｔｉ ｏｎｄａｔａｓｅｔｅｘｃｅｅｄｓｔｈｅｂｅｓｔｒｅｓｕｌ ｔｓｉ ｎｔｈｅｋｎｏｗｎｌｉｔｅｒａｔｕｒｅ．Ｅｘｐｅｒｉ ｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄｃａｎｅｆｆｅｃｔｉ ｖｅｌ ｙｉ ｎｔｅｇｒａｔｅｅｘｔｅｒｎａｌｅｍｏｔｉ ｏｎｋｎｏｗｌ ｅｄｇｅ，ａｎｄｈａｓｏｂｖｉ ｏｕｓａｄｖａｎｔａｇｅｓｉ ｎｅｍｏｔｉ ｏｎｃｌ ａｓｓｉ ｆｉ ｃａｔｉ ｏｎｔａｓｋｓｃｏｍｐａｒｅｄｔｏｔｒａｄｉ ｔｉ ｏｎａｌ ｍｅｔｈｏｄｓ．Ｋｅｙｗｏｒｄｓｃａｓｅ ｒｅｌ ａｔｅｄｍｉｃｒｏｂｌｏｇｃｏｍｍｅｎｔｓ；ｅｍｏｔｉ ｏｎａｌｋｎｏｗｌ ｅｄｇｅｒｅｐｒｅｓｅｎｔａｔｉ ｏｎ；ｃｏｎｖｏｌ ｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｅｍｏｔｉ ｏｎｃｌａｓｓｉ ｆｉｃａｔｉ ｏｎ微博作为社交媒体平台的代表， 以其开放性、实地识别海量评论中的各种情绪， 及时了解和掌握案时性、便捷性的特点使得用户可以随时随地发表自件微博舆情， 以便相关部门迅速做出决策．１ 引 言与案件相关的互联网舆情， 具有传播速度快、关注度高、敏感度高等特点． 案件微博评论的情绪分类可以看作是特定领域的情感多分类任务， 旨在快速有效己的观点， 表达自己的情感［１］． 案件微博舆情是一种 微博情感分析通常分为３ 个任务： 观点句识别、５ ６６ 计 算机 学 报 ２０２１年情感分类和情感要素抽取［ ２ ］． 情绪分类是情感分类任务的一个子任务， 要求识别文本中细粒度的情感， 例如： 乐（ ｈａｐｐｉｎｅｓｓ） 、 好（ｌ ｉｋｅ） 、 怒（ａｎｇｅｒ） 、 哀（ｓａｄｎｅｓｓ） 、惧（ｆｅａｒ） 、恶（ｄｉｓｇｕｓｔ） 和惊（ ｓｕｒｐｒｉｓｅ）． 这与一般的情感分类任务将文本情感分为正负极性或者主客观有很大差别， 难度也更大． 微博文本的情绪分类通常采用以下方法： 基于情绪词典的方法、基于传统机器学习的方法和基于深度学习的方法． 基于情绪词典的方法主要通过情绪词典对文本中的情绪词进行一定的组合计算， 实现文本的情绪分类［ ３ ４］． 这种方法对情绪词典的依赖大， 且互联网中表达情绪的新词层出不穷， 实时地完善情绪词典又不现实． 基于传统机器学习的情绪分类常用有监督学习的方法， 需要依赖于大量的标注数据和复杂的特征工程． 现有的情绪分类研究大多是基于深度学习的方法． 虽然基于深度学习的方法在一定程度上有效地避免了基于情绪词典和基于传统机器学习的方法存在的不足， 但是大多数深度学习的方法只是将文本作为一个整体进行编码， 缺乏对现有情感计算资源的有效利用， 也不能很好地体现表情符号和网络用语等对情绪分类的作用．微博文本具有以下特点： 口语化、 富含表情符号和网络用语、 常用否定规则和程度副词规则等． 相比一般微博文本， 案件微博文本还具有领域特性， 涵盖许多领域情绪新词．因此， 针对案件微博评论情绪分类任务本身， 本文还重点关注了领域情绪新词带来的影响． 这些特点给案件微博评论的情绪分类带来很大的挑战． 例如， 针对“西安奔驰女车主维权案”的评论句：“奔驰吃相难看［吐］”和“企业为所欲为要么官商勾结要么背后有黑恶势力”， 其中的表情符号“［吐］”和“吃相难看”、“官商勾结”等领域情绪新词都直接表达了对奔驰公司的厌恶情绪． 如果挖掘了这类情绪词并加人词典的厌恶情绪类别中， 就可以用来辅助识别这类评论句的正确情绪类别． 又如“你积极维权， 不丢人”和“小姐姐加油啊， 哭腔听得我难受， 太委屈了”， 这两条评论中的“不丢人”以及“太委屈”分别使用了否定规则和程度副词规则， 对句子的情绪分别起到反转和加强的作用．综上， 在案件微博评论中常用表情符号、领域情绪新词、 否定规则以及程度副词规则等情绪知识， 传统的情绪分类方法难以有效利用这些情绪知识． 因此， 提出一种融合情绪知识的案件微博评论情绪分类方法， 主要贡献总结如下：（１） 通过整合现有的情感计算资源， 对微博常用的表情符号和网络用语进行收集和分类， 构建了一个微博情绪知识库；（２） 提出了一种基于连续向量的情绪知识表示方法， 表示每个词包含的情绪知识， 使文本在输人时就携带外部的情绪知识；（ ３） 提出了一种融合情绪知识的案件微博评论情绪分类方法， 该方法通过一个语义初始化滤波器的卷积神经网络和一个结合注意力机制的全连接网络对评论的语义特征和情绪知识特征进行融合， 实现了情绪分类；（４） 实验结果表明， 该方法能改善案件微博评论情绪分类任务的效果， 在多个分类实验中取得最好的结果．２ 相关工作微博情感分类研究一直以来都是国内外的研究热点． 传统的情感分类方法通常将微博情感分为正向或负向［５ Ｈ３］， 或者识别细粒度的情感， 例如：乐（ ｈａｐｐｉ ｎｅｓｓ） 、 好（ｌ ｉ ｋｅ） 、 怒（ ａｎｇｅｒ） 、 哀（ ｓａｄｎｅｓｓ） 、惧（ｆｅａｒ） 、恶（ ｄｉｓｇｕｓｔ） 和惊（ ｓｕｒｐｒｉｓｅ）［７ ８］？ 这种细粒度的情感分类通常也称为情绪分类．传统的情绪分类方法常用基于词典和规则的方法， 以及基于机器学习的方法． 张晶等人［ ９］利用情绪词、情绪短语、特殊的情绪表达形式以及结合标点符号和表情符号在情绪分类中的作用构建了情绪词典和情绪规则库， 通过对情绪词典和情绪规则的匹配和计算， 实现对微博的情绪分类． 蒋盛益等人［ １°］利用ｗ〇ｒｄ２ｖｅＣ模型［１ １？］对微博语料以增量式学习的方法扩展了人工构建的基准情绪词典， 然后结合ＨｏｗＮｅｔ 词典匹配和人工筛选生成最终的情绪词典， 最后分别采用基于情绪词典和基于ＳＶＭ的方法实现了微博的情绪分类． 张仰森等人［ １ ３ ］基于情感词典和新浪表情符号词典， 并结合朴素贝叶斯分类器， 提出了一种级联式的微博情绪分类模型， 在ＮＬＰＣＣ２０１４ 中文微博情绪分析评测数据集上证明了所提方法的有效性． 虽然这些研究都取得了不错的效果， 但是由于传统的方法过于依赖人工构建的词典、 规则以及复杂的特征工程， 距离实际应用还存在很大的差距．郭贤伟等： 融合情绪知识的案件微博评论情绪分类 ５６ ７３ 期近年来， 越来越多的学者开始使用深度学习的方法进行微博的情绪分类研究．Ｊｉ ａｎｇ 等人？提出的ＥＳＭ（ Ｅｍｏｔｉ ｃｏｎＳｐａｃｅＭｏｄｅｌ） ， 首先用ｗｏｒｄ２ｖｅｃ模型预训练中文微博语料的词向量， 再利用表情符号的词向量构建表情符号空间， 并利用此空间完成所有词向量的重映射， 之后使用ＳＶＭ完成分类， 在ＮＬＰＣＣ微博情绪分析评测数据集上取得了当时的最好结果． 何炎祥等人［１５］为常用的表情符号构建情感空间的特征表亦矩阵， 通过表情符号的特征表亦矩阵与词向量矩阵的乘积运算完成词义到情感空间的映射， 使用多通道卷积神经网络模型［ １ ６ ］进行微博的情绪分类， 效果上实现了对文献［１４］的超越． 张仰森等人［１ ７］提出的ＤＡＭ（ＤｏｕｂｌｅＡｔｔｅｎｔｉ ｏｎＭｏｄｅｌ） ，先利用双向长短时记忆网络和全连接网络， 分别对微博文本和文本中包含的情感符号进行编码； 接着采用注意力模型分别构建微博文本和情感符号的语义表示， 并将两者的语义表示进行融合以提高微博情绪分类的效果； 该方法在ＮＬＰＣＣ２０１３ 和ＮＬＰＣＣ２０１４中文微博情绪分析评测数据集上， 均取得目前已知的最好结果． 除了上述情绪分类方法，一般的情感分类方法也适用于情绪分类中． 关鹏飞等人［１ ８］提出一种注意力增强的双向ＬＳＴＭ模型， 分别使用双向ＬＳＴ Ｍ和注意力机制学习文本的语义信息以及每个词对句子情感倾向的权重分布， 最后通过并行融合的方式提升微博情感分类的效果．文献［１４ １５］仅仅考虑了表情符号对于微博情绪分类的作用， 忽略了词语本身的词性及情绪词等情绪知识的作用； 文献［１７］虽然考虑了对现有情绪知识的利用， 通过提取文本中的情感符号以及结合注意力机制来加强微博文本的情感语义， 但是该方法在表示情感符号时只是简单地将其映射为词向量， 这种词向量表示方式本身并不携带情感信息； 文献［１８］通过注意力机制衡量每个词对文本情感倾向的重要程度， 却完全忽略表情符号、 否定词等外部知识的作用． 文献［１７ １８］ 的方法虽有不足， 但是都证明了注意力机制可以有效地关注表达情感或情绪的重要片段．综上， 大多数基于深度学习的情绪分类方法都缺乏对情绪知识的有效利用． 因此， 本文提出一种融合情绪知识的案件微博评论情绪分类方法． 首先， 提出一种连续向量表示方法构建评论的情绪知识表示， 该方法可以有效地表示每个词所包含的情绪知识， 使文本在输人时就携带外部的情绪知识； 然后通过卷积神经网络和结合注意力机制的全连接网络将评论的语义表示和情绪知识表示进行融合， 提取深层的语义合成特征用于最终的情绪分类． 实验证明，该方法能有效地融人外部情绪知识， 且相对传统方法在情绪分类任务上具有明显的优势．３ 融合情绪知识的案件微博评论情绪分类３． １ 微博情绪知识库本文整理了现有的情感计算资源， 收集了微博常用的表情符号和网络用语并分类， 采用人工整理与自动扩充相结合的方法构建了一个微博情绪知识库， 如表１ 所亦．表１微博情绪知识库情绪知识 数量／个 举例ＤＵＴＳＤ ２７ ４６６ 髙兴、 愤怒、 厌恶案件微博情绪词典 ３０ ８３６ 为民服务、 拍桌子、 滥用职权表情符号２２６［哈哈］、 ［怒］ 、 ［吐］网络用语２１０ 稀饭、 ＴＭＤ、 坑爹否定词 ７１ 非、 不是、 绝不程度副词 ２１９ 很、 非常、 十分表１ 中， ＤＵＴＳＤ表示大连理工大学的情感词汇本体？］； 案件微博情绪词典以ＤＵＴＳＤ基础， 沿用其７ 大类情绪进行扩充得到， 具体构建流程见３．２ 节； 表情符号和网络用语从新浪微博开放平台上获得， 从中筛选保留了使用频率较高的、 带情绪色彩的部分， 按照ＤＵＴＳＤ的７ 大类情绪进行标注分类得到； 否定词通过互联网收集现有资源得到；程度副词以ＨｏｗＮｅｔ 中的程度副词为基础进行构建．３． ２ 案件微博情绪词典的构建由于ＤＵＴＳＤ无法涵盖案件微博评论语料中可能出现的所有领域情绪新词， 且这些情绪新词对于案件微博评论的情绪分类十分重要．因此， 基于ＳＯＰＭＩ算法和ｗｏｒｄ２ｖｅｃ 词向量余弦相似度计算方法， 从案件微博评论语料库中挖掘领域情绪新词对ＤＵＴＳＤ进行扩充， 构建了案件微博情绪词典， 构建流程如图１ 所示．５ ６８ 计導机攀报： ＿１苹图Ｉ 案件徽鍵償绪爾典梅津流程ａ．２． １ 基猶修靖＿典梅ｒ隹＃考虑到表情符号和网络用语对于情绪表达的， 重要怍用，对微博常用的带情绪色彩的＿僧符号和网络用氣进行收集整理， 按照乐（ｈａｐｐｉ ｎｅｓｓ）、好（ ｌｉ ｋｅ》、 怒（ａｎｇｅｒ）、哀（ｓａｄｒａｓｓ）、俱Ｃｉｗｒ ）、 聽■（ｄｉｓｇｉｉｓｔｌ翁懷《ｓｕｒｐｒｉｓｅ｝７类情绪进行分类， 加人ＤＵＴＳＤ中作为基础情绪词典．３． ２． ２ 种子情绪词集的获取首先对案件微博评论语料进行隹重￥删除“／广、和ＵＲＬ等数据预处理操作； 然．后使用〗ｌ ｅｂａ＊词工具的添加用户词典功能， 以基础情绪词典作为用户饲典对评论裔料进行分词和词性标注， 樽到谱料库词表． 这样做的好处在于：一是可以确保在语料庠中出现的种子情绪词可以被独立切分； 二褢可以５食保＿情轉例翁“［哈廢］＇’的特殊格：式赛＿ｒ＃鄭裊情符等的词性标记为“ｅｍｏｊｉ＇这祥．不仅可以防止分甸器将表情符号划分为几个不同的单元， 也便于表情符号的识别， 对微博的情绪分类有麗審的影响． 最后将基础情绪词典在： 语料库＿中出现的所書Ｍ作为种予情绪词， 构成种子？情绪词集，３． ２．３ 徽博领域情绪新筒的识别与扩充文就［２０］指出； 情感词不仅是指潘葬爾黎者， 感情色藤， 还包含有动筒、名词、副词等姆性，另外， 情感词还会与领域有着极强的相关性． 因此， 考虑词性以及领域相关性会对情感词典的构建有很大的帮助？ 此外，因为。基础情绪词典无法涵盖语料库．中所有可能出现的情绪词．、所Ｋ基于构建的案件徽搏评论语料库：， 将Ｔｕｒｎｅｙ等人？提出的ＳＱＰＭＩ 算法敗进为一种７ 类剗的ＳＱＰＭＩ 算法， 用于自动挖掘语料摩的候选倩绪ＳＪ．具体实现方法为： 通过筛选出语料库词表中饲性为： 形容词ｖ动词、名词、 副词以及表情符号姆性“ｅｍｏｊｉ”的所有筒，然后计算每个祠ｉｆ神子傭绪爾集中各个情绪类别所有情绪词相应的ＳＯ－ＰＭＩ值ｓ 保留ＳＯ－ＰＭＩ 值大于零的词作为对应类别的候选情绪词？ 词的ＳＯＰＭＩ 值越大， 表示该词与当前情绪类别越相关？ 具体计算公式如式⑴和⑵所示．ＰＭＩ Ｃｗｏｒｄｌ？ ｉｔｉｏｒｄＺ）■＝Ｉａｇ２ｐｉ＾ＯＸｆ＇ｄ１）ｐ（）ｐｉ．＇ｗｅｒｄＺ）Ｃｌ）Ｓ〇－ＰＭ． Ｉ（： ；＇（■！；？＜ ／ １） —Ｉ＇ＭＩｉ ｕ．＇ｎｒＪ＼．ｕｏｒｔ ／２ｉｚｗｒｄ２＾ Ｓｓｏｍｅ－ ｋｉｎｄＰＭＩ（ ｖｕｏｒｄｌ？ｖｕｏｒｄ２ ）（２ ）Ｗｒｄ２＾ Ｓ〇ｔｈｅｒｓ式；（１） 和（ ２＞中．＊ ｔｅｅｒｅｆｌ：裹承在？料摩中出现的飼，微｝＞＂＜＾２義事种子＇情諸爾； 梦《麵／．ｔｆｒ象ｗ＆ｒｅ？２Ｓ秦拿解 与仰？＿＜１２在语料库中歲；同： 出现的概率，多（ｓｔｐｒｒｆｌ． ）隹语料库？中街规的概辱， ｆＣｗａｒ＜ｉ２！３ ．翁本Ｗ评ｄ？２ 在语料库中：出现的概率 Ｍ表本某一情绪类别种子情绪词集合，：表示其它６ 类种浐情绪词＊合＊通过上述ＳＯＰＭ１ 算法就能蒋到７个倩绪类别对应的候选情绪词由于ＳＯＰＭＩ 算法是基于词共现概率苯挖掘候选情绪甸的，导寒部分高频非情绪词也被挖掘出来． 为了过滤候选词中的高频非情绪词，舉用基于獨ｒｄｈｅｃ 的饲向量相似度计算方法Ｑ°＇ ２ ２］来计算候选词与种子情諸词的相似度保留高疏量候选词作为蕞备的领域情绪新飼， 具体实施时， 采用ｐｙｔｈｏｒｔ第三方■鑛块ｇｓｎｓｉ ｍ①中齡Ｗ〇ｒｄ２＇ｖｅｃ 筒處量余弦相似度计算：函数， 计算每个类别的候选情绪词与其对应类别的种子情绪词的平均相似歲， 保辑爭均相似度大于０， ５ 的候选词作为其对应类别的领域情绪新词、． 计算公式如下：①ｈｔｔｐｓ： ／／ｒａｄｉｍｒｅｈｕｒｅｋ．ｃｏｍ／ｇｅｎｓｉｍ／ａｐｉｒｅｆ． ｈｔｍｌ郭贤伟等： 融合情绪知识的案件微博评论情绪分类 ５６ ９ ３ 期ＣＯＳ（ Ｖｉ ，Ｖ））＝Ｉ ｈｌ．ｈｌ（ ３）ａｖｅｒ＿ｃｏＳｉ—２，ｈｈＨｈｌ ｌ＝１，２，…， ｗ（ ４）式（３）和（ ４）中， ＾表示候选词的词向量， ｍ表示当前类别候选词总数ａ表示种子僧绪飼的词阿量， 《 表示３前業别种子情绪饲总数．逋过上述方法就可以． 得到一个扩展情绪饲典，然后逋过人工筛选高截量的扩展糖绪词加人神子＇情绪词集， 进行增量式的迭代进而挖掘更多领域情绪新词最趋， 在算播挖掘不到情绪新何时停止迭代，得到最终的扩展情绪何典？ 举文选择将扩展精绪词典中表情符号湘网络用语单独筛选出来． 方便后续的实验分析？ 筛选完启，将扩盾情绪词典和ＤＵＴＳＤ＿＃成一个相 翁的情齋葡典， 称为案件徽博營绪词典． 扩展前启的词典对比如羞２所示．表２扩展前后的词典对比词典名称 数量／个 举例ＤＵＴＳＤ（扩展前） ２７ ４６６ 惊吓、 没皮没脸、 狼狈为奸案件微博情绪词典（扩展后）３０８３６ 吓成、 吃相难看、 官商勾结３． ３ＥＵＮｌＴ－ＣＨＭ模型为了同时表示文本．自身的语义特征和情绪知识特征，引人倩绪知识库为词语定义ｒ诃性和偾绪标签等１５ 种倩绪知识， 提出一种基于连续向量的情绪知识表示方法． 然后， 将案件微博评论的语义表示和情绪知识表示分别输入一个滤彼器语义初始化的卷积网络和一个结含注窵． 力机制的全连接网络， 提取深层的语义特征和情绪知识特征．， 帮助模型．惠好地：学，文本的懂绪， 斑此， 构倉了一个融含情绻知： 识的神瓮网络模獵ＥＫＩＭＴＣＮＮｉ 模應緒抅如图２所示，ＳｏｆｔｍａｘＳｏｆｔｍａｘ层３，３．１ 儀义表示和情绪知识表示层ＥＫ－ＩＮｒ＾Ｃ＾Ｎ． 模型的输人分为案件微博评论的语义表示和情绪知识表示． 案件徽博评论的语义表示是一十对评论句进行分词．， 蕃通过加载预训练词向量词表＿＂对每个词进抒查询并分配词向嫌：的过輕． 其中．． 汉表示词表的祠ｆｃ数， ｒｆ表示甸向量雄度． 假谗一个包含《个筒的评论文本序列了二＇！ 徽， 观；：．，…， 琢》丨＊ 对：于Ｔ中翁每个词货， 都能通过爾表 查询到一个何阿量ｖ．，，用十运箅符进行断量方向的拼接操作， 则序列了的１吾义表示矩阵Ｍｒ为Ｍｒ＝Ｔｉ ？ ％； ？－ ‘（Ｄｒ， Ｓ）案件微博评论的情绪知识表示是一个基于著緣树議裹３？方法构蓮：情＇绪； 知识表亦矩阵前过程＊督先： ，根据微博情绪知识库， 为毎个词定义了Ｗ性及情绪标签等ｉｓ 种情绪知识， 见表３ｒ然后、给？定包含《个词的评论＇句Ｔ＝■＇！ 綱，職；， ，…，叫， 丨 ， ， 財于每个： 词ｔｏ，＾＝１， ２， 一， 》， 按鹿＿３ 的１５． 种情绪知识顺序依次进行如下操作： 若叫包含第一种知识＊则为其随机初始化一个ｗ维的非零连续向量＜齊则为其初始化一个？《 维的全零［ｆｅ］ 量、本文取？《＝ １０？ 以此类推， 每个 都将＃到１５个ｗ维向量， 将这１Ｓ 个向量拼接成一个（１５ 乂＿）维的向量 務为精緒知识尚參？ 遍历完：Ｔ中的醉有词ｆ将得到的《 个情绪知识薄量按行掛接， 得到一个ｓ／（１５ 乃與）维的情绪知识表示矩阵Ｍｅ：Ｍｊ＝＠＠…ＣＢｆｔ， ， （６ ）５ ７０ 计 算机 学 报 ２０２１年表３ 词语可能包含的情绪知识是否为： ｈａｐｐｉｎｅｓｓ 标签、 ｌｉｋｅ标签、ａｎｇｅｒ 标签、 ｓａｄｎｅｓｓ＿法如、ｄ标签Ｊｅａｒ 标签、ｄｉｓｇｕｓｔ 标签、 ｓｕｒｐｒｉｓｅ 标签、 否定词、程度副词、 名词、 动词、 形容词、 副词、 网络用语、 表情符号ｍ维向量 连续向量（ 是）／全零向量（否）３．３．２ 语义和情绪知识特征提取层ＥＫＩＮＦＴＣＮＮ模型的特征提取层分为语义特征提取层和情绪知识特征提取层． 语义特征提取层由一个Ｎｇｒａｍ卷积层和池化层组成． 微博文本中存在许多完整的ｗｇｒａｍ知识可作为情绪分类的重要依据， 采用了一种卷积滤波器语义初始化技术［２３］：首先使用一种新颖的朴素贝叶斯加权技术从语料中挑出一系列ｗｇｒａｍ特征； 接着采用ＫＭｅａｎｓ 聚类对这些ｗｇｒａｍ特征的嵌人向量进行聚类， 得到ｔｏｐ々 个聚类中心； 最后， 在模型的卷积层中将它们的聚类中心向量输人滤波器的第一个《位置． 举个示例： 如果《＝２（本文取值） ， 滤波器窗口大小为３，那么就在滤波器的第１、２ 行放人一个２ｇｒａｍ聚类中心向量， 第３ 行则采用随机初始化的策略． 与传统的卷积神经网络不同， 采用这样的策略能使模型在训练一开始就集中学习重要的《ｇｒａｍ特征．假设卷积滤波器 々 为滤波器窗口大小， 表亦词向量维度． 对于输人的从＜行到ｉ＋々 １行的局部特征矩阵Ｘｗ＋ｉ：， 卷积滤波器所提取的特征图的第ｚ 个特征值表示为（７）其中，／（？） 表示非线性激活函数， 可以是ｔａｎｈ 或ｒｅ／Ｍ等． ？表示卷积运算符，６ 表示偏置值．对于文本块序列 ， Ｘ２ ： 是＋１，…， Ｘ ｋ ＋１－． ｎ ｝？经过一个卷积层就能得到其局部特征图Ｚ＝［ｚｉ， ｚｚ，？ ？ ？（８）随后， 将经卷积层得到的特征图Ｚ输人到池化层， 采用的是ｍａｘｐｏｏｌ ｉ ｎｇ池化， 得到局部最优特征ｚ＝ｍａｘ｛ Ｚ｝（９）此外， 卷积层采取了＿； 种不同窗口大小的卷积滤波器， 每种窗口大小的滤波器各？个， 以此来提取更丰富的语义特征．因此， 经过卷积层和池化层后得到的局部最优特征向量表示为［Ｓｉ ． ｔｊ，？ ？ ？， ｚｍ， ｋｉ，？ ？ ？，？ ？ ？， ｚｈ， ｋ，？ ？ ？］（ １０）其中， 表示窗口大小为々 的第＿； 种类型滤波器提取的第 个局部最优特征．模型的情绪知识特征提取层由一个全连接层和注意力层组成．由于每个词映射得到的情绪知识向量之间并不存在较强的语义依赖关系， 因此采用全连接网络对情绪知识表示矩阵进行非线性变换， 进行最初的编码， 编码后的情绪知识表示的维度保持不变． 并且， 每个情绪知识向量对于文本情绪表达的重要程度各不相同， 所以进一步将经全连接层编码后的情绪知识表示输人注意力层中， 得到情绪知识表示的注意力特征向量＿ 注意力层采用Ｌｕｏｎｇ 等人［２ ４］提出的全局注意力机制＿ 注意力层对输人的每个状态 进行加权求和， 从而得到情绪知识表示的注意力特征向量Ｖａｕ：ＴＶａｎ＝ａｔ ｈ，（ １１）其中， Ｔ表示输人状态的数目， 《，注意力权重， 通过如下公式计算：ｅｘｐ（ｅｊＥ）表示输人状态／ｉ， 的（ １２）２ｅｘｐ（ｅｊＥ）ｅ，＝ｔａｎｈ（Ｗ％， ＋６）（１３）式（１２） 和（ １３） 中， Ｗ与６ 分别为注意力层的权重和偏置， ￡表示随机初始化的上下文特征向量． 三个参数都参与模型的训练， 通过不断学习得到．ｅ， 表示计算注意力权重时的中间状态， 以是其转置． 通过上述注意力层， 衡量每个词映射得到的情绪知识向量的重要程度， 最终为每个评论构建一个（ １５Ｘｍ） 维的情绪知识注意力特征向量．３．３．３ 语义合成层和全连接层案件微博评论的语义表示矩阵和情绪知识表示矩阵输人特征提取层后， 分别得到语义特征向量Ｖｓ＿ｎｌｌ 。 和情绪知识注意力特征向量Ｖｋ＿Ｗｇ６． 将两个特征向量直接进行拼接， 得到文本的语义合成向量Ｖ：＾＾ｓｅｍａ ｎｔｉｃ ＾Ｅ＾＾ｋｎｏｗｌｅｄｇｅ（１４）然后， 语义合成向量ｆ经全连接层进行变换后得到案件微博评论的情绪得分向量Ｓ． 全连接层的隐藏单元个数等于分类类别数．３．３．４Ｓｏｆｔｍａｘ层（ 情绪得分计算层）最后， 将案件微博评论的情绪得分向量ｓ 输人到Ｓｏｆｔｍａｘ层， 使其转化为一个条件概率分布：ｅｘｐ（ ｓ．）Ｐ！ （ｓ）＝＾＾，ｉ＝ ｌ，２，－， Ｃ（１５）＾ｅｘｐ（ｓ；）其中， Ｃ表示情绪标签的数目． 采用交叉熵损失函数来衡量情绪标签的预测概率分布与真实概率分布之间的差距， 并通过反向传播算法来训练和更新模型的参数． 损失函数表示为郭贤伟等： 融合情绪知识的案件微博评论情绪分类 ５７ １３ 期ｌｏｓｓ二＾Ｐ－（ｘ）ｌ ｏｇ２（ Ｐｆ（ｘ） ）（ １６）ｘ＾Ｔｉ ｌ其中， Ｔ为训练集，：ｒ 为训练集中的每一个样本， Ｋ（：ｒ）表示样本：ｒ 的情绪标签的真实概率分布， Ｐ？（ ：ｒ） 表示样本 的情绪标签的预测概率分布．４ 实验与分析女车主维权案共５８６２６ 条， 总共１８９３６４ 条． 从中随机采样了３００００ 条评论， 沿用ＤＵＴＳＤ的７ 类情绪标签进行人工标注， 标注工作由两个人完成． 最后，保留标注一致的、包含情绪的１１５９３ 条评论作为案件微博评论实验数据集， 按照近似８：１：１ 的比例将实验数据集分为训练集、验证集和测试集， 数据集分布如表５ 所示．４． １实验数据集为了验证情绪知识融合方法在公共数据集上的有效性， 在ＮＬＰＣＣ２０１３ 和ＮＬＰＣＣ２０１４ 中文微博情绪分析评测数据集上设置了多组对比实验． 为了体现情绪知识融合方法在案件微博评论情绪分类任务上的优势， 在构建的案件微博评论数据集？上设置了多组对比实验．ＮＬＰＣＣ２０１３ 和ＮＬＰＣＣ２０１４ 中文微博情绪分析评测数据集来自新浪微博， 每个数据集分为训练集和测试集， 分别记为２０１３＿ｔｒａｉ ｎ？、２０１３＿ｔｅｓｔ？、２０１４＿ｔｒａｉ ｎ④和２０１４＿ｔｅｓｔ？． 每条微博分为有无情绪两大类， 无情绪的标注为ｎｏｎｅ， 有情绪的按照ＤＵＴＴＳＤ的乐（ ｈａｐｐｉ ｎｅｓｓ）、 好（ ｌｉ ｋｅ）、 怒（ ａｎｇｅｒ）、 哀（ｓａｄｎｅｓｓ）、 惧（ｆｅａｒ）、 恶（ ｄｉｓｇｕｓｔ ） 和惊（ ｓｕｒｐｒｉｓｅ）７ 大类情绪标注， 与本文的标注体系一致． 其中， 在ＮＬＰＣＣ２０１４ 数据集的训练集中， ｈａｐｐｉ ｎｅｓｓ 和ｓａｄｎｅｓｓ类各有一条微博内容为空， 选择将其删除． 评测数据集可用于有无情绪的主客观分类和有情绪的情绪分类． 本文研究的是情绪分类任务， 最终未用到ｎｏｎｅ标签数据， 两个数据集的具体分布如表４ 所示．表４ＮＬＰＣＣ２０１３和ＮＬＰＣＣ２０１４ 评测数据集（单位： 条）情绪标签２０１３＿ｔｒａｉｎ２０１３＿ｔｅｓｔ２０１４＿ｔｒａｉｎ２０１４＿ｔｅｓｔｎｏｎｅｈａｐｐｉ ｎｅｓｓｌｉｋｅｓａｄｎｅｓｓｆ ｅａｒｄｉｓｇｕｓｔｓｕｒｐｒｉｓｅ总数４８７３１１ １６１５５８４３６７４４１０２９３５２３６１０ ０００１４５９２２０４６６９１３ ９９８３６０３４４１１０４２１２８１８９６０００通过新浪微博平台采集了近年来备受关注的７ 个案件微博的评论数据， 构建了案件微博评论数据集． 其中， 涞源反杀案共１０８１２ 条； 江歌案共１３６２４ 条； 赵宇见义勇为案共１７４９１ 条； 章莹颖遇害案共１７８７５ 条； 重庆公交车坠江案共３３７７４ 条； 河南玛莎拉蒂肇事逃逸案共３７１６２ 条； 以及西安奔驰表５ 案件微博评论实验数据集 （单位： 条）情绪标签 训练集 验证集 测试集ｈａｐｐｉ ｎｅｓｓ１３７１ １５２ １２９ｌｉｋｅ １３４８ １７４ １５２ａｎｇｅｒ １３４８ １５２ １５２ｓａｄｎｅｓｓ１３５５ １６２ １４５ｆ ｅａｒ １３６７ １６９ １３３ｄｉｓｇｕｓｔ １３４２ １４４ １５８ｓｕｒｐｒｉｓｅ １３３８ １４０ １６２总数 ９４６９ １０９３ １０３１４． ２ 预训练词向量的使用本文分别在计算候选词与种子情绪词的余弦相似度和为实验中的所有神经网络模型构建输人的词嵌人时， 使用文献［２ ５ ］公开的预训练词向量？， 为每个词分配一个相应的词向量． 该词向量使用ＮＬＰＩＲＬａｂ公开的大规模微博语料库进行预训练， 预训练模型采用的是ｗｏｒｄ２ｖｅｃ⑦开源工具中的Ｓｋｉｐ ｇｒａｍ模型， 词向量维度为３００ 维， 词表大小为１９５１９７． 此外， 在神经网络模型的训练过程中， 使预训练词向量不断学习更新．４． ３ 实验对比模型ＭＮＢ模型（ Ｍｕｌ ｔｉ ｎｏｍｉａｌＮａｉ ｖｅＢａｙｅｓ）［２ ６ ］？ 在许情感多分类任务中都取得优秀的结果， 模型沿用文献［１５］的文本特征选取方法．ＳＶＭ模型（ ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉ ｎｅｓ）． 被广泛用于情感分类任务中并取得最好的结果， 例如文献［２７］和文献［２８］． 用于ＳＶＭ模型的文本特征提取和表示方法与文献［１５］—致．ＢＬＳＴＴＭ模型（ Ｂｉ ｄｒｅｃｔｉ ｏｎａｌＬｏｎｇＳｈｏｒｔ ＴｅｒｍＭｅｍ〇ｒｙ）［ ２ ９ ］． 该模型通过双向的ＬＳＴＭ对文本表示进行编码， 得到上下文相关的文本特征用于情感分类． 模型的参数设置与文献［１７］保持一致．Ａｔｔ ＢＬＳＴＴＭ模型（ Ａｔｔｅｎｔｉ ｏｎＢａｓｅｄＢｉ ｄｒｅｃｔｉ ｏｎａｌＬｏｎｇＳｈｏｒｔ ＴｅｒｍＭｅｍｏｒｙ）［３。］？ 在ＢＬＳＴＴＭ模型的①ｈｔｔｐｓ ： ／／ｇｉｔｈｕｂ．ｃｏｍ／ｇｕｏｈｕｏｊｉａｎ／ｄａｔａｓｅｔ／ａｒｃｈｉｖｅ／ｍａｓｔ ｅｒ，ｚｉｐ②ｈｔｔｐ： ／／ｔ ｃｃｉ．ｃｃｆ ． ｏｒｇ．ｃｎ／ｃｏｎｆ ｅｒｅｎｃｅ／２０１３／ｄｌｄｏｃ／ｅｖｓａｍ０２．ｚｉｐ③ｈｔｔｐ：／／ｔ ｃｃｉ． ｃｃｆ ． ｏｒｇ． ｃｎ／ｃｏｎｆｅｒｅｎｃｅ／２０１３／ｄｌｄｏｃ／ｅｖａｎｓ０２． ｚｉｐ④ｈｔｔｐ：／／ｔ ｃｃｉ． ｃｃｆ ． ｏｒｇ． ｃｎ／ｃｏｎｆｅｒｅｎｃｅ／２０１４／ｄｌｄｏｃ／ｅｖｔ ｅｓｔｄａｔ ａｌ． ｚｉｐ⑤ｈｔｔｐ： ／／ｔ ｃｃｉ． ｃｃｆ ． ｏｒｇ． ｃｎ／ｃｏｎｌｅｒｅｎｃｅ／２０１４／ｄｌｄｏｃ／ｅｖａｎｓ０１． ｚｉｐ⑥ｈｔｔｐｓ ： ／／ｇｉ ｔｈｕｂ．ｃｏｍ／Ｅｍｂｅｄｄｉｎｇ／ Ｃｈｉｎｅｓｅ Ｗｏｒｄ Ｖｅｃｔｏｒｓ⑦ｈｔｔｐｓ ： ／／ｃｏｄｅ，ｇｏｏｇｌｅ．ｃｏｍ／ｐ／ｗｏｒｄ２ｖｅｃ／５ ７２ 计 算机 学 报 ２０２１年基础上引人注意力机制， 文本词嵌人经ＢＬＳＴＭ编码后输人到注意力层中， 学习一个包含注意力信息的上下文向量， 使得模型能够学到更重要的语义信息． 模型参数与文献［３０］保持一致．Ｃａｐｓｕｌ ｅ Ｂ模型（ＣＮＮＢａｓｅｄＣａｐｓｕｌ ｅ）［３ １］？ 该模型基于Ｓａｂｏｕｒ 等人提出的胶囊网络［３ ２］进行改进得到， 在情感分类、新闻分类等多个文本分类任务中取得最好的结果． 模型沿用文献［３１］的参数设置．ＨＡＮ模型（Ｈｉ ｅｒａｒｃｈｉ ｃａｌ Ａｔｔｅｎｔｉ ｏｎＮｅｔｗｏｒｋｓ）［３ ３］．一个基于双向ＧＲＵ的层次注意力模型． 模型通过词级的双向ＧＲＵ编码后输人词级注意力层， 得到文本的句子级语义表示； 再将其输人一个句子级的双向ＧＲＵ层和注意力层， 得到整个文本的语义表示用于分类． 该模型能有效关注文本中重要的词和句子， 在包括情感分类在内的多个文本分类任务中取得最好的结果． 模型的参数设置与文献［３３］保持一致？ＣＮＮ模型（ Ｃｏｎｖｏｌ ｕｔｉ ｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ）［ １６ ］．Ｋｍｉ 提出的卷积神经网络， 通过将文本的语义表示输人卷积神经网络中， 提取深层的语义特征实现文本的情感分类． 该模型有多种变体， 实验采用的是ＣＮＮｎｏｎ ｓｔａｔｉｃ， 表示使用预训练词向量并在训练过程中动态更新词向量．ＩＮＩＴＣＮＮ 模型（ＣＮＮｗｉ ｔｈＩｎｉ ｔｉ ａｌ ｉｚｉ ｎｇＣｏｎｖｏｌ ｕｔｉ ｏｎａｌ Ｆｉｌ ｔｅｒｓ）［２ ３ ］． 该模型基于上述的ＣＮＮ模型， 通过ＫＭｅａｎｓ算法对一系列重要的ｗｇｒａｍ嵌人向量进行聚类， 然后用得到的聚类中心来初始化卷积滤波器， 实现微博文本的情感分类．因为ＩＮＩＴＣＮＮ具有性能优秀、可并行处理和模型复杂度低的优点，所以将其选做基础模型进行改进．４． ４ 模型参数设置对于机器学习模型， ＭＮＢ模型的平滑因子ａｌｐｈａ 设置为１．０； ＳＶＭ模型的正则化常数Ｃ设置为１．〇， 核函数选择线性核函数ｌ ｉ ｎｅａｒ． 对于神经网络模型， 除了在４．３ 节所列模型中提及了采用相关文献的参数设置外， ＣＮＮｎｏｎ ｓｔａｔｉ ｃ、ＩＮＩＴＣＮＮ以及ＥＫＩＮＩＴＣＮＮ的可调参数设置如表６ 所示．表６ 可调参数设置可调参数 值优化器 Ａｄａｍｂａｔ ｃｈ＿ｓｉｚｅ ６４ｄｒｏｐｏｕｔ ０． ５ｌｅａｒｎｉｎｇ＿ｒａｔｅ０． ００１卷积滤波器窗口大小是 ２ ， ３ ， ４ ， ５每种窗口大小的滤波器个数ｍ １００注意力层隐藏单元个数 １５０４． ５ 评价指标本文使用ＮＬＰＣＣ２０１３ 中文微博情绪分析评测？中的： 精确率（ ｆＶｅｃｉｈｏｗ） 、 召回率（ｉ？ｅｃａ／Ｚ） 、 Ｆ１ 值（ Ｆ１）、 宏平均精确率（Ｍａｃｒｏ—ｆＶｅｃｉＷｏｗ）、 宏平均召回率（Ｍａｃｒｏ＿ｉ？ｅｃａＺＺ）、宏平均Ｆ１值（Ｍａｃｒｏ—Ｆｌ） 以及微平均Ｆ１ 值（ＭｚｃｎＦｌ） 作为评价指标．４． ６ 实验结果分析４．６．１ＮＬＰＣＣ中文微博情绪分析评测为了验证本文的情绪知识融合方法在公共数据集上的有效性， 在ＮＬＰＣＣ微博情绪分析评测数据集上进行了对比实验， 结果见表７ 和表８． 表中， ＥＥＳＭ、ＢＬＳＴＭ、ＭＣＮＮ、 ＥＭＣＮＮ以及ＤＡＭ的实验结果摘自文献［１５］和文献［１７］．ＥＫＩＮＩＴＣＮＮ（ ｂａｓｅ） 表示利用微博情绪知识库中的ＤＵＴＳＤ、否定词、 程度副词、 网络用语和表情符号来融人情绪知识．因为ＮＬＰＣＣ评测数据集不具有案件微博领域特性， 所以在公共数据集上未使用案件微博情绪词典， 而是使用ＤＵＴＴＳＤ．文献［１４］提出的表情符号空间模型（ ＥＳＭ） 通过两种不同的求和策略得到两个版本， ＥＥＳＭ是其中表现更好的版本， 在ＮＬＰＣＣ情绪分析评测数据集上取得当时最好的结果． ＢＬＳＴＭ［２ ９］通过双向的ＬＳＴＭ提取上下文相关的文本特征用于情感分类，是情感分类常用模型之一． ＭＣＮＮ是文献［１５］ 中ＥＭＣＮＮ模型的基础模型， 是经典的卷积神经网络模型． ＥＭＣＮＮ［１ ５］为常用的表情符号构建情感空间的特征表示矩阵， 并完成词义到情感空间的映射， 然后通过ＭＣＮＮ模型训练一个分类器， 性能超越了ＥＳＭ． ＤＡＭ由文献［１７］提出， 在基于注意力机制的ＢＬＳＴＭ模型的基础上增加了一个通道， 将文本的情感符号集合的语义表示输人全连接层和注意力层获取附加的语义特征， 增强文本的情感语义； 该模型在ＮＬＰＣＣ２０１３ 和ＮＬＰＣＣ２０１４ 情绪分析评测数据集上均取得当前已知的最好结果．表７ＮＬＰＣＣ２０１３ 评测数据集实验结果ＭｏｄｅｌｓＭａｃｒｏ＿Ｆｌ／ ％Ｍｉ ｃｒｏ＿Ｆｌ／ ％ＥＥＳＭＢＬＳＴＭＭＣＮＮＥＭＣＮＮＤＡＭＩＮＩ ＴＣＮＮＥＫＩＮＩＴＣＮＮ（ ｂａｓｅ）①ｈｔｔｐ： ／／ｔ ｃｃｉ．ｃｃｆ ．ｏｒｇ．ｃｎ／ｃｏｎｆｅｒｅｎｃｅ／２０ １３／ｄｌｄｏｃ／ｅｖ０２．ｐｄｆ郭贤伟等： 融合情绪知识的案件微博评论情绪分类 ５７３ｎｏｎ－ｓｔａｔｉｃ， 可以看出ＩＮＩＴ－ＣＮＮ的Ｍａｃｒｏ＿Ｆ１和Ｍｆｃｒｏ＿Ｆｌ 分别提升了１．６９％和１．７５％？ 这表明本文使用的卷积滤波器语义初始化技术可以显著提升传统卷积神经网络的效果．４．６．３ 各个情绪类别的分类性能分析为了证明本文方法能有效改善模型对单个情绪类别的分类性能， 将ＥＫ－ＩＮＩＴ－ＣＮＮ与基础模型ＩＮＩＴ－ＣＮＮ进行了实验对比， 使用和Ｆ１ 三个评价指标， 结果见图３？图５．１００．０８２．５８０．０ｈａｐｐｉｎｅｓｓｌｉｋｅａｎｇｅｒｓａｄｎｅｓｓｆｅａｒｄｉｓｇｕｓｔｓｕｒｐｒｉｓｅ情绪类别图３ 各个情绪类别的精确率对比结果分祈表ｆ可知，本文模： 型＝ＥＫ－ＩＢＩＴＣＨＨ的四项指标均超过所有基准模型． 从表中可以着出， 传统的ＭＮＢ模＿和ＳＶＭ模型都取得了不错的效果， 但是与各深度－习模型相比还存在一定随差距？ 其中， 与机雜单习常用的ＳＶＭ分类器梅比，ＥＫＩＮＨ￣ＣＨＮ的ＭｄｄＦｌ和ＭＪｒｔｔｉ—ｆ＇ｌ分： 别提升了６．Ｓ３％，６．、§？６，２．碎和Ｓ． Ｓ§％； 与情，感分类倉用的ＣＮＮｎｏｉｉ ｓｔｆｌｉｅ模麵相比，ＥＩ＜ ｍｉＴｆＮＨ的ｉＷ〇ｅｒ０＿ｉ？ｅｅ３／／、Ａｆｏ．ｆｒｏ＿Ｆｌ：和ＭｉｃｎＦｌ 分剔提升了３．？４％，３．、＆釕％和Ｓ． 雜Ｋ； 辱讀感分灘： 任營中表现优秀的Ａｔｔ－ＢＬＳＴＭ相比ｆ 分别提升了２． ２６．於，２，３：§養、２＞３ｌ： Ｍ和２．４３： Ｍ．此外， 还与在多个情感分类任务中取得巖：好结果的模＿进行了： 对比？ 与ＧａｐｓｕｂｒＢ． 相比， ＥＫＩＯＴＴＣＮＮｆｉｌｌＭｉｃｒｏ—ｆｌ和Ｍｆｃｒｏ＿Ｆｌ＃别猶升了＆： １１鉍、３．墟Ｍ．＊与ＨＡＮ相比， 分别提升了０． ９９ ％和１－ ０７Ｍ＿实验结巣表明＊本文融合情绪知识的方法在： 寒件微博情绪分类任务中具有期显的优势．： 碧外ＯＮＥＦＣ萌：是＿ＣＮＮｎｃｉｎ－ｓｔａｔｉ ｃ 的： 碁础ｉ使甩了卷积滤波器语义初始化技术． 对比ＣＮＨｉ３撰表８｝ｆｌＬＰＣＣ２０１４ 评测数据集实验结果Ｍｏｄｅｌｓ Ｍａｃｒｏ＿Ｆｌ／Ｐ〇 Ｍｉｃｒｏ＿Ｆｌｆ＾ＳＥ－ＥＳＭ ３７．８６ ４４．２５ＢＬＳＴＭ ３３．８５ ４４．５６ＭＣＮＮ ３８．２９ ４５．３４ＥＭＣＮＮ ３９．４０４７．２３ＤＡＭ ４１．４２ ４９．４４ＩＮＩＴ－ＣＮＮ ３９．３９５４．１１ＥＫ－ＩＮＩＴ－ＣＮＮ（ｂａｓｅ） ５１． ０２ ６３．６６紙表７和義Ｓ芎藤着出， ＥＫ－ＩＫＩＴＴ ＣＮ： Ｍ：（ｂａｓｅ）在两个评＿数据集上的性能均超过了所有对比模盡．＿比ｉ翁已知的儀紆镇： 纖ＤＡＭ， 隹ＫＬＦＣＣ２０１３评娜—振象上， ＥＫ－ＩＯＴＩ＾Ｓ（ｂａｓ＿Ｍｕ： 相—Ｆ１雜 ＿Ｆ１ 分别提升了ｍ％和￥？４０Ｋｆ 在ＫＬＰＣＣ１０１４：數摒梟上，．． Ｍａｃｒａ’Ｆｌ和Ｍｆｅ：ｒ＜ｓ—ｆｌ分另１撻升了９．ｓａｘ和１４．２＇２％． 实验结果表明融合外都情绪知识的方法在ＮＬＰＣＣ评测任务中具有明显的优势， 证＿了管绪知识融合方法的有效性， 同时ｆＥＫｒｉＣ，ＣＮＮ（ ｂａ：ｓｅ） 在Ｍ１４年数据麗上的性能振升要好ｆ２０１３ 年的， 这是因为２０１４年数据集的训练集更大使得模邀爾练更充分． 这暫文献［１７］ 的结论是一致的？ 此外＊由于ＭＬＰＣＣ评测数据粲属于类别不平衡数据集， 导致所有樓遨表现都较差． 但是，ＥＫ麗麗細（ ｂ獅？相比其它＿的＇表现＿取得了较大的改善＿４． Ｃ２ 案件镦博评论情绪分类任务为了证明本文融合情諸知识的方法在案件微博评论悟绪分类任务上具有优势， 将ＥＫＩＮＴＩＸ３ＭＮ檬型与现有８个基准模型进行了实验对比， 实验结暴如逢３所亦？表９ 案件微博评论情绪分类实验结果Ｍｏｄｅｌｓ Ｍａｃｒｏ＿Ｐｒｅｃｉｓｉｏｎ ／ ％ Ｍａｃｒｏ＿Ｒｅｃａｌ ｌ ／Ｍ Ｍａｃｒｏ＿Ｆ＼． ．（：＾３；： Ｍｉｃｒｏ＿Ｆｌ ｛ ％ＭＮＢ ７５．８８ ７５．８０７５．５０７５．４６ＳＶＭ ８５．５４ ８５．１５ ８５．１９８４．７７ＢＬＳＴＭ ８８．６５ ８８．２４ ８８．２９ ８８．０７Ａｔｔ－ＢＬＳＴＭ ８９．６１ ８９．６０８９．４９８９．３３Ｃａｐｓｕｌｅ－Ｂ ８８． ９４ ８８．６１ ８８．７０８８．３８Ｉ ＩＡＮ ９０．８４ ９０．８８ ９０．８２ ９０．６９ＣＮＮ－ｎｏｎ－ｓｔａｔｉ ｃ ８８．２３ ８８．２８ ８８．２４ ８８． ０７ＩＮＩＴ－ＣＮＮ ９０． ００８９． ９５ ８９． ９３ ８９．８２ＥＫ－ＩＮＩＴ－ＣＮＮ ９１．８７ ９１．９０ ９１．８１ ９１．７６．５．０Ｌｑ．０．５．０７．５．２．０．７．５．９９９９８８％／§１之５ ７４ 计導机攀报： ＿１苹情绪类别图４．费个懷續 攀Ｓｆ￡ｔ攀舉图５咨个債爾養剔的ＦＩ？ｆ比结皋分析圏３：０谨｜可知，乘文擊盤ＥＫＩＮＩＴＴ ＣＭＨ除了￡随＊幾＿＿Ｐｍｒ； Ｍｃｒ？、Ｆ１ 搢标以：減ｌｉ ｋｅ 类的Ｒ？：ａ／／ 指标比ＩＫＩＴ－ＣＮＮ的低之外， 其它类别的三项遛标都趙过Ｉ１ＳＩＴＣＮＮ．通过分析， 我们发现ｆｅａｒ类的测试数据有１３ａ条， 其中被 龙确预测的有１２１条． 而＃食类别的数据被ＥＫ－ＩＭＴＣｍｉ错误地预测成ｆ？ｉｒ类的數据有８ 条． 进一步分析发现这８ 条数据基本上存在：： 两种情繪＃ 但儀在知祖过８中只？ 知注其中一种情绪， 而ＥＫｒＮＩＴ－ＣＮＮ把它们错误地预测为另外一种情绪． 例如，“听到最后全车人的尖叫都觉得太恐怖了？［悲伤］［兼伤］［悲翁〕［＿１ 伤〕［悲伤］”这一评论被人工．注：为ｓａｄｗｓｓ｜｜ｆ由ｆ￡ＫＩＮＩＴＣＮＮ， 更关法评论中“尖叫”和“太恐怖”所表达的情：绪ｆ 属此将其错误地预测为ｆｅａｒ獎．．ｌｉｋｅ 类的ｉ？咖〃指标降低的原因则是ｌｉ ｋｅ类测试数据中有些具有多种情绪的评论被ＥＫｌＨｉＴＣＴｆＮ误分类为其玄情绪． 例如．． 评论“我爱自己的菌家，但是对人根失望，就这样＇被标＇逄为ｌ ｉ ｋｅ类， ＥＫＩＮＩＴＣＮＭ． 将其误分类成ｓａｄｎｅｓｓ类． 总结来说． 测试＇集中具有多种情绪的评论着时対ＥＫＩ親ＴＣＮＮ模質的学男机蕭不：利． 这是导致ＥＫＩＮＩＴ－Ｃ細在这两个类别的指标比ＩＮｎ＾ＣＲＮ更低的主萎原因．此夕卜Ｊ目比ＩＳＩＴＣＭＭ， ＥＫ－ＩＮｆＣＮＷ＇在炽剴ｄｉｓｇｕｓｔ 类的性能提升最明显？ 这是由于案件微博评论中纖 ｄｉｓｇｕｓｔ 情緒餅评论特薇麗加鲜明？ 例如，我们发现测试集： 中＾恶心°，厌盔”和“［吐３”等词或表管符号的使用更频繁， 这对ＥＫＩＮＩＴ－ＣＮＮ中额外融入情堵知识的樓块更有荆，因此它能更好地识别ｄｉｓｇ＿養＋： 总之ｓ 实验薇果暴期ＥＫ 酬的总体性能优于ｉＮｆｒ－ＣＮＮ４正明Ｔ率文方法能有效改善模型在单个倩绪类别的分类性能．４． １４ 情绪知识融合模块的有效性分析为了证明本文提出的情绪知识融合霍块（见图２＞与 准模魏相结合的有效性．． 设董了多组对比实验． 首先分析了在基础模型ＩＭＴＧＳＤｆ上增加情绪知识融合模块的嘗效性， Ｘｔ比模型和结果见图６． 其中， ＩＮＩＴＣＮＮ为本文的墓础模型，． 未融人任何情绪知： 识ＩＥＫＩＭＩＴ－ＣＮＮ（ ｂａｓｅ１義示利用擞傅情绩知： 识＿中的Ｄ． ＵＴＳＤ、否定词、 程度謝词、 网络用语和表情符等＿融入情鍺知识ＥＫＩＮＩＴＣＮＮ表示利用徽博情绪知识库中的案件徽博情绪词典、香途筒、程度副词、网络用语和表情符号来融人情绪知识？露ＳＩＳＩ丁－ＣＳＮ．结會億緒＊？蘭倉楊操的Ｓ翁性验ＩＥ分柝屬６■可知， 相比ＩｈＳｔＴＣＮＭ：樓麵， ＥＫ－ＩＮＨＧＮＮ（ｂａｓｅ） 的宏平均Ｆ１ 和徽乎均Ｆ１ 分别提升了１． ３Ｓ％和１． 職％；ＥＩ？ＭＴＴ ＣＷＨ＿宏平均Ｆ１和微平均Ｆ１ 分别提升了１．８８％和１．９４％． 这表明，１ＮＩＴＣＫＮ与情绪知识融合模块结含＾可以显著■升學ＳＩ的性能？ 而箱比ＥＫＩＮＩＴ－ＣＳＮ（ ｂａｓｅ）ｓＥＫＩＮＩＴａＳＲ的宏平均Ｆ１ 和微： 平均ＦＩ分别提升了０？ 肋％和０．４９％， 太约占怠暴升Ｃ：ＥＫ１麗Ｔ－ＣＮ賞相比．１萬ＩＴＣＮＨ的提升，的２１％和２Ｓ％． 處＿明—在ＤＵＴＳＤ基础上扩充的案件徵博情绪词典包含更１鹫■雩Ｖ鐵合爾驗顏班的續＿靜评论情續分藥 ５７ ５ 議 期羊竄的领域情绪新領ｈ对于案件微博．评论的情绪分娄任务具有显著的作用， 进一步的实例分析结果也证明Ｔ这一结论． 例如， 评论“为了钱官育勾黎苦的是老舊姓”和“供不应求的行业都吃相难＃［ｄｏｇｅ］”中的“官商勾绪”及＂吃相难．看■”是案件微博情绪爾典中扩充的领域情绪新调． 模型预测这两条评论时；利用案件微博倩绪调典的ＥＫＩＮＩＴ－ＣＮＮ将它们正确地预测为ｄｉ ｓｇｕｓｔ 类情绪， 而利用Ｄｌ？Ｄ的ＥＫＩＮＩ，ＣＮＮ（：ｂａｓｅ）都预测锴儀．本文还将情绪知识融合模块分别与性能较优的Ａｔｔｒ＾Ｌｆｌａ＇Ｃｓｐｓｕｌ ｅ－： ＆和ＨＡＮ模議＿脅大薪儀道：Ａｔｔ－ＢＬＳＴＭ＋ＥＫＣＥｍｅｔｉｏｎａｌｋｎａｗｌｅｄｇｅ）－，Ｃ： ａｐ：ｓｕｌ ｅ Ｂ＋ＥＫ和ＨＡ：Ｎ＋ＥＫ， 然． 后将这三个儀遨与ＥＫＩＮＩＭ｝ＮＮ进行实验对比， 以此说明本文将ＩＮＩＴＣＳＣＮ模型． 作为基础模型与情绪知识融合模块．．的优勢， 实验儀皋见＿１Ｑ．Ｍｏｄｅｌｓ￣￣Ａｔｔ－ＢＬＳＴＭ￣￣Ａｔｔ－ＢＬＳＴＭ＋ＥＫＣａｐｓｕｌ ｅ－ＢＣａｐｓｕｌｅ－Ｂ＋ＥＫＩ ＩＡＮＩ ＩＡＮ＋ＥＫＩＮＩＴ－ＣＮＮＥＫ－ＩＮＩＴ－ＣＮＮ表ｉ〇 情绪知识融合模块的有效性验证结果Ｍａｃｒｏ＿Ｐｒｅｃｉｓｉｏｎ／ ％Ｍａｃｒｏ＿Ｒｅｃａｌｌ ／％Ｍａｃｒｏ＿Ｆｌ ／％， Ｍｉｃｒｏ＿Ｆｌ ／ ％＃析表１０ 可知， ｆｔ本文６ｔ懵绪知识融合壇块与和ＨＡＮ＃獏塑相缙合， 能有效地改善模型的性能；其中， Ａｔｔ－ＢＬＳＴＭ＋ＥＫ模型的性儀提： 升量明显＃Ｍ＿＊ｏ＿Ｐｒｅｅｉｓｉｏ？２、和 分别提升了＂１．８４％、１．、 １．９５％和１．９８％？另夕卜，翁于ＨＡＷ的分层注意力结构， 本身已经有效地关龙了文本中表达情绪的重要片段， 导致ＨＡＮ在结合情绪知识融合糢块时性館提升不那么明显－从暑中超可 ： 看出Ｉ 猶＿础樣獵／ＩＮＩＴ－Ｃ酬上增加情＇绪知识融合模块》 得到的本文模寒ＥＫｉｎｉｔｃｎｎ， 取得了最好的性能？ 相比性能第二的Ａｔ卜ＢＬＳｍ＋ＥＫ，： ＥＫＩＮＩＴＭ３ＮＭ的 和分别离了 Ｓ？ 雜０？４５％？ 無： 结杲裊明， 结合本文的情绪知识融合模块能有效地改善基＿模塑： 的性能，且在； ＩＮＩＴＯＮＮ壤纖上遊行结合的效果最＇好？４．６．５ 各项情绪知识的性能分析为了考察各项情：绪知识对案件糠Ｉ 博评论情：绪分类性能的影响， 将不同的情绪知识组合？用于ＥＫＩＮ．ＥＫＭＮ， 设置了８ 麗： 对比繼猶？ 各稹繼？为：ＭｏｄｅＬｌ（寒件微博情绪词典） 、Ｍ〇ｄｅｌ＿２〈表情符号｝、ＭｏｄｅｌＪＫ网络用捂：）、 Ｍｏｄｅｌ ＿４（： ＿情符号＋网络用语） 、 Ｍｏｄｅｌ＿Ｓ（ 案件微博情绪词典＋表情符号＋网络用谘）以及Ｍ〇ｄｅｌ＿６（案件徵博情绪诃典＋否諸爾＋程虔： 副词 因为否定筒和程盧：副词８有与情绪爾搭宵２才起作用３ 所以未单独歲用于ＥＫＩＮＩＨＮＮ．６ 麗对比寝型与ＩＮＩＴ－Ｃ顚的实验结果如图７ 所示．模型图７ 备项情繳知识性能谢比从图７ 可看出， 相比基础模型ｌＮｌｆ＊ＣＮＮ， 使用各项情绪知识的模型性能均有提升． 其中， 苹独使用某项情绪知识时． ＭＱｉｅｌ＿ｌ （， 案件微博情绪甸典） 和ＭｏｃｉｅＬＫ翁清符辱）的性能提升比较明显（ 网络用语＞的性能提升较小？ 姐合使用时． Ｍｏｄｅｌ＿Ｓ（案件微博情绪词典＋春情符号＋网络用窜）的性能最优； 而Ｍｏｄｅｌ＿６（案件微博情绪词典＋否定词＋程度副词、相比Ｍ〇ｄｅｌ＿ｌ【案件微博请绪筒典） 的性能也有提升． ， 这表明‘齊定词和程度爾词对倩绪表达也是起作用的，同时， 否定饲利程度副词对性能的作用不明显的 主要是数据集中使用杳定．词和程度词的评论相对较少． 实验结粜表明， 本文构建的慠博情绪知识库可以有效地与深虞学《模型播配使用， 且融合情绪知识的方法还避免了传统深度学岑楱型缺乏利用现有情感计算资源的现象．５ ７６ 计 算机 学 报 ２０２１年５ 总结与展望针对案件微博评论， 本文提出一种融合情绪知识的情绪分类方法． 该方法通过构建一个微博情绪知识库， 并使用一种新颖的情绪知识表示方法将情绪知识融人神经网络模型中， 提升了模型对文本情绪的识别能力． 实验结果表明， 采用本文的情绪知识融合方法， 对于案件微博评论的情绪分类具有十分有效的指导作用， 且该方法在公共数据集上也取得了当前已知的最好结果．当前， 针对微博文本的多标签情绪分类任务是研究的热点和难点， 在下一步的工作中， 我们将针对案件微博评论的多标签情绪分类问题开展研究．参 考 文 献［１］ＤｉｎｇＺｈａ〇 Ｙｕｎ？ＪｉａＹａｎ， ＺｈｏｕＢｉｎ． Ｓｕｒｖｅｙｏｆｄａｔ ａｍｉｎｉ ｎｇｆｏｒｍｉｃｒｏｂｌｏｇｓ． Ｊｏｕｒｎａｌｏｆ ＣｏｍｐｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ ｓ２０１４，５ １（４） ； ６９１ ７０ ６（ｉｎＣｈｉｎｅｓｅ）（ 丁兆云， 贾焰， 周斌． 微博数据挖掘研究综述． 计算机研究与发展， ２０１４ ，５１（４） ： ６９１ ７０６）［２］ＬｉＹｏｎｇＧａｎ，ＺｈｏｕＸｕｅ Ｇｕａｎｇ， ＳｕｎＹａｎ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈａｎｄｉｍｐｌｅｍｅｎｔ ａｔ ｉｏｎｏｆ Ｃｈｉｎｅｓｅ ｍｉｃｒｏｂｌｏｇｓｅｎｔ ｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔ ｉｏｎ．ＪｏｕｒｎａｌｏｆＳｏｆ ｔ ｗａｒｅ ，２０１７ ，２８（１２） ； ３１８３ ３２０５（ｉｎＣｈｉｎｅｓｅ）（ 李勇敢， 周学广， 孙艳等． 中文微博情感分析研究与实现．软件学报，２０１７， ２８（１２） ：３１８３ ３２０５）［３］ＷｉｅｂｅＪ？ ＷｉｌｓｏｎＴ， ＣａｒｄｉｅＣ． Ａｎｎｏｔ ａｔ ｉｎｇｅｘｐｒｅｓｓｉｏｎｓｏｆｏｐｉｎｉｏｎｓａｎｄｅｍｏｔ ｉｏｎｓｉｎｌａｎｇｕａｇｅ． ＬａｎｇｕａｇｅＲｅｓｏｕｒｃｅｓａｎｄＥｖａｌｕａｔｉｏｎ， ２００５ ， ３９（ ２） ： １６５ ２１０［４］ＴａｂｏａｄａＭ， Ｂｒｏｏ ｋｅＪ？ Ｔｏｆｉｌ ｏｓｋｉＭ？ ｅｔａｌ． Ｌｅｘｉｃｏｎｂａｓｅｄｍｅｔ ｈｏｄｓｆｏｒｓｅｎｔｉ ｍｅｎｔ ａｎａｌｙｓｉｓ． Ｃｏｍｐｕｔ ａｔ ｉｏｎａｌＬｉｎｇｕｉｓｔ ｉｃｓ，２０１１ ，３ ７（ ２）： ２６７ ３０７［５］ＭｏｈａｍｍａｄＳ， Ｋｉｒｉｔ ｃｈｅｎｋｏＳ， ＺｈｕＸ． ＮＲＣＣａｎａｄａ ： Ｂｕｉｌｄｉｎｇｔｈｅｓｔａｔ ｅｏｆｔｈｅ ａｒｔ ｉｎｓｅｎｔ ｉｍｅｎｔａｎａｌｙｓｉｓ ｏｆ ｔ ｗｅｅｔｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ７ｔｈＩｎｔ ｅｒｎａｔ ｉｏｎａｌＷｏｒｋｓｈｏｐｏｎＳｅｍａｎｔ ｉｃＥｖａｌｕａｔｉｏｎ（ ＳｅｍＥｖａｌ２０１３） ． Ａｔ ｌａｎｔ ａ， ＵＳＡ， ２０１３： ３２ １ ３２７［６］ＺｈａｎｇＢ， ＸｕＸ， ＬｉＸ，ｅｔａｌ． Ｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓｔｈｒｏｕｇｈｃｒｉｔ ｉｃｌｅａｒｎｉｎｇｆｏｒｏｐｔｉｍｉｚｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔ ｗｏｒｋｓｗｉｔ ｈｒｕｌｅｓ． Ｎｅｕｒｏｃｏｍｐｕｔｉ ｎｇ，２０１ ９，３５６： ２ １ ３０［７］ＷｅｎＳ， ＷａｎＸ． Ｅｍｏｔｉｏｎｃｌａｓｓｉｆｉｃａｔ ｉｏｎ ｉｎｍｉｃｒｏｂｌｏｇｔｅｘｔｓｕｓｉｎｇｃｌａｓｓｓｅｑｕｅｎｔ ｉａｌｒｕｌｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏ ｆｔｈｅ２８ ｔｈＡｓｓｏｃｉａｔｉｏｎｆｏｒｔｈｅＡｄｖａｎｃｅｏｆＡｒｔ ｉｆｉｃｉａｌＩｎｔ ｅｌｌｉｇｅｎｃｅ（ ＡＡＡＩ２ ０１４）．ＱｕｅｂｅｃＣｉｔｙ，Ｃａｎａｄａ， ２０１４； １８７ １ ９３［８］ＳｉｎｔｓｏｖａＶ，ＰｕＰ． Ｄｙｓｔ ｅｍｏ： Ｄｉｓｔ ａｎｔｓｕｐｅｒｖｉｓｉｏｎｍｅｔ ｈｏｄｆｏｒｍｕｌｔｉ ｃａｔ ｅｇｏｒｙｅｍｏｔ ｉｏｎｒｅｃｏｇｎｉｔ ｉｏｎｉｎｔ ｗｅｅｔｓ． ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔ ｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓａｎｄＴｅｃｈｎｏｌ ｏｇｙ，２０１６，８（１）： １３：１ １３：２２［９］ＺｈａｎｇＪｉｎｇ， ＺｈｕＢｏ ，ＬｉａｎｇＬｉｎ Ｌｉｎ， ｅｔａｌ． Ｒｅｃｏｇｎｉｔ ｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔ ｉｏｎｏｆｅｍｏｔ ｉｏｎｓｉｎｔｈｅＣｈｉｎｅｓｅｍｉｃｒｏｂｌｏｇｂａｓｅｄｏｎｅｍｏｔ ｉｏｎａｌｆａｃｔｏｒ． Ａｃｔ ａＳｃｉｅｎｔ ｉａｒｕｍＮａｔｕｒａｌｉｕｍＵｎｉｖｅｒｓｉｔ ａｔｉｓＰｅｋｉｎｅｎｓｉｓ， ２０ １４， ５０（ １）： ７９ ８４ （ ｉｎＣｈｉｎｅｓｅ）（ 张晶， 朱波， 梁琳琳等．基于情绪因子的中文微博情绪识别与分类． 北京大学学报（ 自然科学版） ，２０１４，５０（１） ： ７９ ８４）［１０］ＪｉａｎｇＳｈｅｎｇ Ｙｉ， ＨｕａｎｇＷｅｉ Ｊｉａｎ，ＣａｉＭａ〇 Ｌｉ， ｅｔａｌ． Ｂｕｉｌｄｉｎｇｓｏｃｉａｌｅｍｏｔｉｏｎａｌｌｅｘｉｃｏｎｓｆｏｒｅｍｏｔｉｏｎａｌａｎａｌｙｓｉｓｏｎｍｉｃｒｏｂｌｏｇ．ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＩｎｆ ｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ？ ２０１５，２９（６） ：１６６ １７１（ｉｎＣｈｉｎｅｓｅ）（蒋盛益， 黄卫坚， 蔡茂丽等． 面向微博的社会情绪词典构建及情绪分类方法研究． 中文信息学报， 加１５，２９（ ６） ：１６６ １７ １）［１１］ＭｉｋｏｌｏｖＴ？ＳｕｔｓｋｅｖｅｒＩ ，ＣｈｅｎＫ，ｅｔ ａｌ． Ｄｉｓｔ ｒｉｂｕｔ ｅｄｒｅｐｒｅｓｅｎｔａｔ ｉｏｎｓｏｆｗｏｒｄｓａｎｄｐｈｒａｓｅｓａｎｄｔｈｅｉｒｃｏｍｐｏｓｉｔｉｏｎａｌｉ ｔｙ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔ ｈｅＡｄｖａｎｃｅｓｉ ｎＮｅｕｒａｌＩ ｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔ ｅｍｓ２６（ＮＩＰＳ２０ １３ ） ． ＬａｋｅＴａｈｏｅ， ＵＳＡ， ２０１３： ３１１１３１１９［１２］ＭｉｋｏｌｏｖＴ， ＣｈｅｎＫ， ＣｏｒｒａｄｏＧ？ｅｔａｌ． Ｅｆｆｉｃｉｅｎｔ ｅｓｔｉｍａｔｉｏｎｏｆ ｗｏ ｒｄｒｅｐｒｅｓｅｎｔ ａｔｉｏｎｓｉｎｖｅｃｔ ｏｒｓｐａｃｅ． Ｃｏｍｐｕｔ ｉｎｇＲｅｓｅａｒｃｈＲｅｐｏｓｉｔ ｏｒｙ，ａｒＸｉｖｐｒｅｐｒｉｎｔ ａｒＸｉｖ： １３０ １． ３７８ １，２０１３［１３］ＺｈａｎｇＹａｎｇＳｅｎ， ＳｕｎＫｕａｎｇ Ｙｉ， ＤｕＣｕｉ Ｌａｎ，ｅｔａｌ． Ａｃａｓｃａｄｅｄｃｏｎｓｔ ｒｕｃｔｉｏｎｏｆｓｅｎｔｉｍｅｎｔ ｃｌａｓｓｉｆｉ ｅｒｆ ｏｒｍｉ ｃｒｏｂｌｏｇｓ．ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ？ ２０１７ ， ３ １（５） ：１７８ １８４ （ ｉｎＣｈｉｎｅｓｅ）（ 张仰森， 孙旷怡， 杜翠兰等．一种级联式微博情感分类器的构建方法． 中文信息学报，２０１７， ３１（５） ： １７８ １８４）［１４］ＪｉａｎｇＦ？ＬｉｕＹ？ＬｕａｎＩ Ｉ ，ｅｔ ａｌ． Ｍｉ ｃｒｏｂｌｏｇｓｅｎｔ ｉｍｅｎｔａｎａｌｙｓｉｓｗｉｔ ｈｅｍｏｔｉ ｃｏｎｓｐａｃｅｍｏｄｅｌ ． ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔ ｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌ ｏｇｙ，２０１５， ３０ （５） ： １１２０１１２９［１５］ＨｅＹａｎ Ｘｉａｎｇ，ＳｕｎＳｏｎｇＴａｏ， ＮｉｕＦｅｉ Ｆｅｉ ， ｅｔ ａｌ． Ａｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌｅｎｈａｎｃｅｄｗｉｔｈｅｍｏｔ ｉｏｎｓｅｍａｎｔｉｃｓｆｏｒｍｉｃｒｏｂｌｏｇｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ． ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＣｏｍｐｕｔ ｅｒｓ？ ２０１７ ，４０ （４） ： ７７３７９０（ｉ ｎＣｈｉ ｎｅｓｅ）（何炎祥， 孙松涛，牛菲菲等．用于微博情感分析的一种情感语义增强的深度学习模型． 计算机学报， ２０１７ ， ４０（４） ：７７３ ７９０）［１６］ＫｉｍＹ． Ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｓｅｎｔｅｎｃｅｃｌａｓｓｉｆｉｃａｔ ｉｏｎ／／Ｐｒｏｃｅｅｄｉ ｎｇｓｏｆ ｔｈｅ２０１４ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｏｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ ＥＭＮＬＰ２０１４）． Ｄｏｈａ，Ｑａｔａｒ，２０ １４； １７４６ １７ ５１［１７］ＺｈａｎｇＹａｎｇＳｅｎ， ＺｈｅｎｇＪｉａ，ＨｕａｎｇＧａｉＪｕａｎ， ｅｔａｌ． Ｍｉ ｃｒｏｂｌｏｇｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎａｄｏｕｂｌｅ ａｔ ｔｅｎｔ ｉｏｎ ｍｏｄｅｌ．ＪｏｕｒｎａｌｏｆＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ（ ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ） ，２０ １８ ，５８ （ ２）： １２２ １３０ （ ｉｎＣｈｉｎｅｓｅ）（张仰森， 郑佳， 黄改娟等． 基于双重注意力模型的微博情感分析方法． 清华大学学报（ 自然科学版） ，２０１８， ５８（２） ：１２２ １３０）［１８］ＧｕａｎＰｅｎｇＦｅｉ ，ＬｉＢａ〇 Ａｎ？ＬｖＸｕｅ Ｑｉａｎｇ，ｅｔ ａｌ ． Ａｔ ｔ ｅｎｔｉｏｎｅｎｈａｎｃｅｄｂｉｄｉｒｅｃｔ ｉｏｎａｌＬＳＴＭｆ ｏｒｓｅｎｔ ｉｍｅｎｔａｎａｌｙｓｉｓ． Ｊｏｕｒｎａｌｏｆ ＣｈｉｎｅｓｅＩｎｆｏｒｍａｔ ｉｏｎＰｒｏｃｅｓｓｉ ｎｇ，２０１９ ，３３ （２） ： １０５ ｌｌｌ（ｉｎＣｈｉｎｅｓｅ）（ 关鹏飞， 李宝安， 吕学强等． 注意力增强的双向ＬＳＴＭ情感分析． 中文信息学报， ２０１ ９，３３（ ２）： １０５ １１１）［１９］ＸｕＬｉｎ Ｉ Ｉｏｎｇ， ＬｉｎＩ ＩｏｎｇＦｅｉ， ＰａｎＹｕ，ｅｔａｌ． Ｃｏｎｓｔ ｒｕｃｔ ｉｎｇｔｈｅａｆ ｆｅｃｔ ｉｖｅｌｅｘｉｃｏｎｏｎｔｏｌｏｇｙ． Ｊｏｕｒｎａｌｏｆｔ ｈｅＣｈｉｎａＳｏｃｉｅｔｙｆｏｒＳｃｉｅｎｔ ｉｆｉ ｃａｎｄＴｅｃｈｎｉｃａｌＩｎｆｏｒｍａｔ ｉｏｎ，２００８ ， ２７（２） ： ＩＳＯ１８５（ ｉ ｎＣｈｉ ｎｅｓｅ）郭贤伟等： 融合情绪知识的案件微博评论情绪分类 ５７７ ３ 期（徐琳宏， 林鸿飞， 潘宇等． 情感词汇本体的构造． 情报学报， ２００８ ，２７（２） ：１８０－１８５）［２０］ＭｅｉＬｉ－Ｌｉ ，ＨｕａｎｇＩ ｌｅ－Ｙａｎ，ＺｈｏｕＸｉｎ－Ｙｕ，ｅｔａｌ． Ａｓｕｒｖｅｙｏｎｓｅｎｔｉｍｅｎｔｌｅｘｉｃｏｎｃｏｎｓｔｒｕｃｔｉｏｎ．ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ，２０１６，３０（５）：１９－２７（ｉｎＣｈｉｎｅｓｅ）（梅莉莉， 黄河燕， 周新宇等． 情感词典构建综述． 中文信息学报， ２０１６ ，３０（５） ：１９－２７）［２１］ＴｕｒｎｅｙＰＤ，ＬｉｔｔｍａｎＭＬ．Ｍｅａｓｕｒｉｎｇｐｒａｉｓｅａｎｄｃｒｉｔｉｃｉｓｍ：Ｉｎｆｅｒｅｎｃｅｏｆｓｅｍａｎｔｉｃｏｒｉ ｅｎｔａｔｉｏｎｆｒｏｍａｓｓｏｃｉａｔｉｏｎ． ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎ ＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓ？２００３ ？２１（４）：３１５－３４６［２２］ＺｈａｎｇＷ， ＺｈｕＹ， ＷａｎｇＪ．Ａｎｉｎｔｅｌ ｌｉｇｅｎｔｔｅｘｔｕａｌｃｏｒｐｕｓｂｉｇｄａｔａｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｌｅｘｉｃｏｎｓｃｏｎｓｔｒｕｃｔｉｏｎａｎｄｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｐｕｂｌｉｃｅｍｅｒｇｅｎｃｙｅｖｅｎｔｓ． ＭｕｌｔｉｍｅｄｉａＴｏｏｌｓａｎｄＡｐｐｌｉ ｃａｔｉｏｎｓ，２０１９，７８（２１）： ３０ １５９－３０ １７ ４［２３］ＬｉＳ，ＺｈａｏＺ，ＬｉｕＴ，ｅｔａｌ． Ｉｎｉｔｉａｌｉｚｉｎｇｃｏｎｖｏｌ ｕｔｉｏｎａｌｆｉ ｌｔｅｒｓｗｉｔｈｓｅｍａｎｔｉｃｆｅａｔｕｒｅｓｆｏｒｔｅｘｔｃｌａｓｓｉｆｉｃａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉ ｎｇｓｏｆｔｈｅ２０１７ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ２０１７ ）．Ｃｏｐｅｎｈａｇｅｎ，Ｄｅｎｍａｒｋ， ２０１７：１８８ ４－１８８９［２４］ＬｕｏｎｇＭＴ，ＰｈａｍＩ Ｉ，ＭａｎｎｉｎｇＣＤ． Ｅｆｆｅｃｔｉｖｅａｐｐｒｏａｃｈｅｓ ｔｏａｔｔｅｎｔｉｏｎ－ｂａｓｅｄｎｅｕｒａｌｍａｃｈｉｎｅｔｒａｎｓｌａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１５ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ２０１５）．Ｌｉｓｂｏｎ，Ｐｏｒｔｕｇａｌ，２０１５：１４１２－１４２ １［２５］ＬｉＳ，ＺｈａｏＺ，Ｉ ＩｕＲ，ｅｔａｌ．ＡｎａｌｏｇｉｃａｌｒｅａｓｏｎｉｎｇｏｎＣｈｉｎｅｓｅｍｏｒｐｈｏｌｏｇｉｃａｌａｎｄｓｅｍａｎｔｉｃｒｅｌａｔｉｏｎｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５ ６ ｔｈＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅ ＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ（ＡＣＬ２０１８）． Ｍｅｌｂｏｕｒｎｅ ，Ａｕｓｔｒａｌｉ ａ，２０１８ ：１３８－１４３［２６］Ｂｅｒｍｉ ｎｇｈａｍＡ，ＳｍｅａｔｏｎＡＦ． Ｃｌａｓｓｉｆｙｉｎｇｓｅｎｔｉｍｅｎｔｉｎｍｉｃｒｏｂｌ ｏｇｓ：Ｉｓｂｒｅｖｉ ｔｙａｎａｄｖａｎｔａｇｅ＾／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１９ｔｈＡＣＭＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｆｏｒｍａｔｉｏｎａｎｄＫｎｏｗｌｅｄｇｅＭａｎａｇｅｍｅｎｔ（ＣＩＫＭ ２０１０）． Ｔｏｒｏｎｔｏ，Ｃａｎａｄａ，ＧＵＯＸｉａｎ－Ｗｅｉ，Ｍ．Ｓ．ｃａｎｄｉｄａｔｅ．Ｈｉ ｓｒｅｓｅａｒｃｈｉ ｎｔｅｒｅｓｔｓｉｎｃｌ ｕｄｅｎａｔｕｒａｌｌ ａｎｇｕａｇｅｐｒｏｃｅｓｓｉ ｎｇａｎｄｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ．ｄｔｋＬＡＩＨｕａ，Ｍ．Ｓ．，ａｓｓｏｃｉａｔｅｐｒｏｆｅｓｓｏｒ．Ｈｉｓｍａｉｎｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｉｎｔｅｌｌｉｇｅｎｔｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ．ＢａｃｋｇｒｏｕｎｄＳｉｎｃｅｔｈｅａｐｐｅａｒａｎｃｅｏｆｍｉｃｒｏｂｌｏｇ，ｒｅｓｅａｒｃｈｏｎｓｅｎｔｉ ｍｅｎｔａｎａｌｙｓｉｓｏｆｍｉｃｒｏｂｌｏｇａｔｈｏｍｅａｎｄａｂｒｏａｄｈａｓｎｅｖｅｒｓｔｏｐｐｅｄ．Ｓｅｎｔｉ ｍｅｎｔｃｌ ａｓｓｉｆｉｃａｔｉｏｎｉｓａｓｕｂ－ｔａｓｋｏｆｔｅｘｔｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ．Ｉｔｉ ｓｕｓｕａｌｌｙｄｉｖｉｄｅｄｉｎｔｏｓｕｂｊｅｃｔｉｖｅａｎｄｏｂｊｅｃｔｉ ｖｅｃｌ ａｓｓｉｆｉｃａｔｉｏｎ，ｓｅｎｔｉｍｅｎｔｐｏｌ ａｒｉｔｙｃｌ ａｓｓｉｆｉｃａｔｉ ｏｎ，ａｎｄｅｍｏｔｉｏｎ２０１０： １８３３－１８３６［２７］ＰａｎｇＢ， ＬｅｅＬ， ＶａｉｔｈｙａｎａｔｈａｎＳ． Ｔｈｕｍｂｓｕｐ？Ｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｍａｃｈｉｎｅｌ ｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓ／ ／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２００２ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｏｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ２００２）． Ｐｈｉｌ ａｄｅｌｐｈｉａ，ＵＳＡ，２００２ ： ７９－８６［２８］ＧｏＡ，ＢｈａｙａｎｉＲ，ＨｕａｎｇＬ．Ｔｗｉ ｔｔｅｒｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｄｉ ｓｔａｎｔｓｕｐｅｒｖｉｓｉｏｎ． Ｓｔａｎｆｏｒｄ，Ｃａｌｉｆｏｒｎｉａ，ＵＳＡ，２００９［２ ９］ＧｒａｖｅｓＡ，ＪａｉｔｌｙＮ，ＭｏｈａｍｅｄＡＲ． Ｈｙｂｒｉｄｓｐｅｅｃｈｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈ ｄｅｅｐｂｉｄｉｒｅｃｔｉｏｎａｌＬＳＴＭ／／Ｐｒｏｃｅｅｄｉ ｎｇｓ ｏｆｔｈｅ ２０１３ＩＥＥＥＡｕｔｏｍａｔｉｃＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎａｎｄＵｎｄｅｒｓｔａｎｄｉｎｇＷｏｒｋｓｈｏｐ（ＡＳＲＵ２０１３）．Ｏｌ ｏｍｏｕｃ，ＣｚｅｃｈＲｅｐｕｂｌｉｃ，２０１３ ：２７３－２７８［３０］ＺｈｏｕＰ， ＳｈｉＷ， ＴｉａｎＪ， ｅｔａｌ． Ａｔｔｅｎｔｉｏｎ－ｂａｓｅｄｂｉｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙｎｅｔｗｏｒｋｓｆｏｒ ｒｅｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５４ｔｈＡｎｎｕａｌＭｅｅｔｉｎｇｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ（ＡＣＬ２０１６）．Ｂｅｒｌｉｎ，Ｇｅｒｍａｎｙ，２０１６ ： ２０７－２ １２［３ １］ＺｈａｏＷ？ＹｅＪ，ＹａｎｇＭ，ｅｔａｌ． Ｉｎｖｅｓｔｉｇａｔｉｎｇｃａｐｓｕｌｅｎｅｔｗｏｒｋｓｗｉｔｈｄｙｎａｍｉｃｒｏｕｔｉｎｇｆｏｒｔｅｘｔｃｌａｓｓｉｆｉｃａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉ ｎｇｓｏｆｔｈｅ２０１８ＣｏｎｆｅｒｅｎｃｅｏｎＥｍｐｉｒｉｃａｌＭｅｔｈｏｄｓｉｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ（ＥＭＮＬＰ２０１８）． Ｂｒｕｓｓｅｌ ｓ， Ｂｅｌｇｉ ｕｍ，２０１８ ： ３１１０－３１ １９［３２］ＳａｂｏｕｒＳ， ＦｒｏｓｓｔＮ， Ｉ ｌｉｎｔｏｎＧＥ． Ｄｙｎａｍｉｃｒｏｕｔｉ ｎｇｂｅｔｗｅｅｎｃａｐｓｕｌｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ Ａｄｖａｎｃｅｓｉ ｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉ ｎｇＳｙｓｔｅｍｓ３０（ＮＩＰＳ２０１７）． ＬｏｎｇＢｅａｃｈ，ＵＳＡ，２０１７ ：３８５９－３８ ６９［３３］ＹａｎｇＺ， ＹａｎｇＤ，ＤｙｅｒＣ，ｅｔａｌ． Ｈｉ ｅｒａｒｃｈｉ ｃａｌａｔｔｅｎｔｉｏｎｎｅｔｗｏｒｋｓｆｏｒｄｏｃｕｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１５ ｔｈＡｎｎｕａｌＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＮｏｒｔｈＡｍｅｒｉｃａｎＣｈａｐｔｅｒｏｆｔｈｅＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉ ｓｔｉｃｓ： ＨｕｍａｎＬａｎｇｕａｇｅＴｅｃｈｎｏｌ ｏｇｉｅｓ（ＮＡＡＣＬ－Ｉ ＩＬＴ２０１ ６）． ＳａｎＤｉ ｅｇｏ，ＵＳＡ，２０１６： １４８０－１４８９ＹＵＺｈｅｎｇ－Ｔａｏ，Ｐｈ．Ｄ． ，ｐｒｏｆｅｓｓｏｒ．Ｈｉｓｍａｉｎｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌ ｕｄｅｎａｔｕｒａｌｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉ ｎｇ，ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉ ｅｖａｌａｎｄｍａｃｈｉ ｎｅｔｒａｎｓｌａｔｉｏｎ．ＧＡＯＳｈｅｎｇ－Ｘｉａｎｇ，Ｐｈ．Ｄ． ， ａｓｓｏｃｉａｔｅｐｒｏｆｅｓｓｏｒ．Ｈｅｒｍａｉｎｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｎａｔｕｒａｌｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇ，ｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌａｎｄｍａｃｈｉｎｅｔｒａｎｓｌａｔｉｏｎ．ＸＩＡＮＧＹａｎ， Ｐｈ．Ｄ．ｃａｎｄｉｄａｔｅ，ａｓｓｏｃｉａｔｅｐｒｏｆｅｓｓｏｒ．Ｈｅｒｍａｉｎｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｔｅｘｔｍｉｎｉｎｇａｎｄｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ．ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ａｔｐｒｅｓｅｎｔ，ｔｈｅｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｍｉｃｒｏｂｌｏｇｗｉｔｈＴｗｉｔｔｅｒａｓｔｈｅｍａｉｎｂｏｄｙｈａｓｍａｄｅｖｅｒｙｐｒｏｍｉ ｓｉｎｇｐｒｏｇｒｅｓｓａｎｄｒｅｓｕｌｔｓ．Ｈｏｗｅｖｅｒ，ｍｏｓｔｄｏｍｅｓｔｉｃａｎｄｆｏｒｅｉｇｎｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉ ｃａｔｉｏｎｒｅｓｅａｒｃｈｅｓｏｎｍｉｃｒｏｂｌｏｇｍａｉｎｌｙｆｏｃｕｓｏｎｓｕｂｊｅｃｔｉｖｅａｎｄｏｂｊｅｃｔｉｖｅａｎｄｓｅｎｔｉｍｅｎｔｐｏｌａｒｉｔｙ５ ７８ 计 算机 学 报 ２０２１年ｃｌａｓｓｉｆｉｃａｔｉｏｎ． Ａｓｆａｒａｓｗｅｋｎｏｗ， ｔｈｅｒｅｉｓｒｅｌ ａｔｉｖｅｌｙｌｉｔｔｌｅｒｅｓｅａｒｃｈｏｎｅｍｏｔｉｏｎｃｌ ａｓｓｉｆｉｃａｔｉｏｎｏｆＣｈｉｎｅｓ ｅｍｉｃｒｏｂｌｏｇａｔｈｏｍｅａｎｄａｂｒｏａｄ，ａｎｄｔｈｅｅｘｉｓｔｉ ｎｇｒｅｓｅａｒｃｈｏｎｅｍｏｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆＣｈｉｎｅｓｅｍｉ ｃｒｏｂｌｏｇｕｓｕａｌ ｌｙｔａｒｇｅｔｓｍｉｃｒｏｂｌｏｇｉｎｔｈｅｇｅｎｅｒａｌｆｉｅｌｄ．Ｅｘｉｓｔｉｎｇｒｅｓｅａｒｃｈｅｓａｒｅｕｓｕａｌ ｌｙｂａｓｅｄｏｎｅｍｏｔｉｏｎａｌｄｉｃｔｉｏｎａｒｉｅｓａｎｄｔｒａｄｉｔｉｏｎａｌｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｓ． Ｔｈｅｐｒｅｄｅｃｅｓｓｏｒｓｈａｖｅａｃｃｕｍｕｌ ａｔｅｄａｌ ｏｔｏｆｓｅｎｔｉｍｅｎｔｃｏｍｐｕｔｉｎｇｒｅｓｏｕｒｃｅｓ ， ａｎｄｓｏｍｅｓｔｕｄｉｅｓｈａｖｅｍｉｎｅｄａｔｔｒｉｂｕｔｅｆｅａｔｕｒｅｓｓｕｃｈａｓｅｍｏｔｉｃｏｎｓａｎｄｉｎｔｅｒｎｅｔｂｕｚｚｗｏｒｄｓｆｏｒｅｍｏｔｉｏｎｃｌ ａｓｓｉｆｉｃａｔｉｏｎｏｆｍｉｃｒｏｂｌｏｇ．Ｔｈｅｙａｒｅｃｏｌｌ ｅｃｔｉｖｅｌｙｃａｌｌ ｅｄｅｍｏｔｉｏｎａｌｋｎｏｗｌ ｅｄｇｅ．Ａｌｔｈｏｕｇｈｔｈｅｓｅｍｅｔｈｏｄｓｈａｖｅａｃｈｉｅｖｅｄｇｏｏｄｒｅｓｕｌｔｓ，ｔｈｅｙｒｅｌ ｙｔｏｏｍｕｃｈｏｎａｒｔｉｆｉｃｉａｌｌ ｙｃｏｎｓｔｒｕｃｔｅｄｄｉｃｔｉｏｎａｒｉｅｓａｎｄｃｏｍｐｌｅｘｆｅａｔｕｒｅｅｎｇｉｎｅｅｒｉ ｎｇ，ａｎｄｔｈｅｒｅｉｓｓｔｉｌ ｌａｌａｒｇｅｇａｐｆｒｏｍｐｒａｃｔｉｃａｌ ａｐｐｌ ｉｃａｔｉｏｎｓ．Ｓｉｎｃｅｔｈｅｅｍｅｒｇｅｎｃｅｏｆｄｉｓｔｒｉｂｕｔｅｄｗｏｒｄｖｅｃｔｏｒｒｅｐｒｅｓｅｎｔａｔｉｏｎｍｅｔｈｏｄｓ，ａｌａｒｇｅｎｕｍｂｅｒｏｆｄｅｅｐｌ ｅａｒｎｉｎｇｂａｓｅｄｅｍｏｔｉｏｎｃｌ ａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓｈａｖｅｅｍｅｒｇｅｄ． Ｔｈｅｓｅｍｅｔｈｏｄｓｂｅｎｅｆｉｔｆｒｏｍｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｈａｔｃａｎａｕｔｏｍａｔｉｃａｌｌｙｌｅａｒｎｔｈｅｆｅａｔｕｒｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｆｔｅｘｔ．Ｈｏｗｅｖｅｒ， ｄｅｅｐｌｅａｒｎｉｎｇｂａｓｅｄｍｅｔｈｏｄｓｃａｎｎｏｔｅｆｆｅｃｔｉｖｅｌｙｉｎｔｅｇｒａｔｅｔｈｅｅｍｏｔｉｏｎａｌ ｋｎｏｗｌｅｄｇｅｃｏｍｍｏｎｌｙｕｓｅｄｉｎｍｉｃｒｏｂｌｏｇ， ａｎｄｔｈｅｅｍｏｔｉｏｎａｌｋｎｏｗｌｅｄｇｅｈａｓｂｅｅｎｐｒｏｖｅｎｔｏｂｅｅｆｆｅｃｔｉｖｅｉｎｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓ．Ｔｈｅｒｅｓｅａｒｃｈｃａｒｒｉｅｄｏｕｔｉｎｔｈｉｓａｒｔｉｃｌｅｉｓａｉｍｅｄａｔｔｈｅｃａｓｅ ｒｅｌａｔｅｄｍｉｃｒｏｂｌｏｇｃｏｍｍｅｎｔｓ，ｗｈｉｃｈｂｅｌｏｎｇｓｔｏａｓｐｅｃｉｆｉｃｆｉｅｌｄｏｆｔａｓｋｓ． Ａｉ ｍｉｎｇａｔｔｈｅａｂｏｖｅｐｒｏｂｌｅｍｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｃａｓｅ ｒｅｌａｔｅｄｍｉｃｒｏｂｌｏｇｃｏｍｍｅｎｔｓｅｍｏｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｔｈａｔｉｎｔｅｇｒａｔｅｓｅｍｏｔｉｏｎａｌｋｎｏｗｌｅｄｇｅ． Ｃｏｍｐａｒｅｄｗｉ ｔｈｔｈｅｅｘｉｓｔｉ ｎｇｍｅｔｈｏｄｓ，ｔｈｅｍｅｔｈｏｄｉｎｔｈｉｓｐａｐｅｒｅｆｆｅｃｔｉｖｅｌｙｕｓｅｓｅｍｏｔｉｏｎａｌｋｎｏｗｌ ｅｄｇｅ ， ｈｅｌｐｓｔｈｅｎｅｕｒａｌ ｎｅｔｗｏｒｋｍｏｄｅｌ ｔｏｂｅｔｔｅｒｌ ｅａｒｎｔｈｅｅｍｏｔｉｏｎｏｆｔｈｅｃａｓｅｒｅｌａｔｅｄｍｉｃｒｏｂｌｏｇｃｏｍｍｅｎｔｓ ， ａｎｄａｃｈｉｅｖｅｄｔｈｅｂｅｓｔｒｅｓｕｌｔｓ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙｔｈｅＮａｔｉｏｎａｌＫｅｙＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔＰｌａｎ（Ｎｏ． ２０１８ＹＦＣ０８３０１０５）， ｔｈｅＹｕｎｎａｎＨｉｇｈ ｔｅｃｈＩｎｄｕｓｔｒｙＳｐｅｃｉａｌＰｒｏｊｅｃｔ（Ｎｏ．２０１６０６ ），ａｎｄｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉ ｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉ ｎａ（Ｎｏ． ６ １９７２１８６ ）．Ｃａｓｅｐｕｂｌ ｉｃｏｐｉｎｉｏｎｍｏｎｉｔｏｒｉｎｇｉ ｓｅｓｓｅｎｔｉａｌ ｆｏｒｃｏｕｒｔｓｔｏｐｒｅｖｅｎｔｐｕｂｌｉｃｏｐｉｎｉｏｎｒｉｓｋｓ． Ｉｎｏｒｄｅｒｔｏａｄｄｒｅｓｓｔｈｅｐｒｏｂｌｅｍｓｉｎｔｈｅｃｕｒｒｅｎｔｃａｓｅｐｕｂｌｉｃｏｐｉｎｉｏｎｍｏｎｉｔｏｒｉｎｇ，ｂａｓｅｄｏｎｔｈｅｎｅｅｄｓｏｆｔｈｅｃｏｕｒｔｓ ， ｔｈｉｓｗｏｒｋｓｔｕｄｉｅｓｔｈｅｅｍｏｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｃａｓｅ ｒｅｌａｔｅｄｍｉ ｃｒｏｂｌｏｇｃｏｍｍｅｎｔｓｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｏｎｌｉｎｅｐｕｂｌｉｃｏｐｉｎｉｏｎｓｉｎｖｏｌｖｅｄｉｎｔｈｅｃａｓｅ．