1 引言

据统计, 微博客户端日活跃用户数达1.54亿, 用户不仅可以在微博平台上上传图片记录自己的生活, 也可以通过转发、点赞、评论等与其他用户进行互动, 或针对某一话题公开发表自己的立场及观点. 立场检测(stance detection)是通过微博作者针对某一话题发表的评论, 检测微博作者对该话题的立场是支持、反对或中立, 这一检测结果不仅可以帮助政府了解民情、完善法律法规, 而且可以帮助商业公司对产品功能进行改进, 提高用户体验. 近年来, 这一课题吸引了众多学术界及工业界的关注和研究, 并成为自然语言处理(Natual Language Processing, NLP)中的一个新兴热门研究领域^[1,2].

微博话题的立场检测与传统的文本情感分析非常相似, 但又有着明显的区别. 单纯的使用微博的情感信息并不能把握微博作者的立场, 如微博“这些骑电车横冲直撞的人太可恶了, 上次就差点被撞到, 太危险了”, 此微博所抒发的是负面情绪, 但针对“深圳禁摩限电”这个话题表明的态度却是支持的. 通常微博作者在表达某个话题的立场倾向时, 往往会说出自己支持或反对的理由, 如针对上述话题, 支持者所表达的核心一般都是以交通安全为主题, 而反对者的理由通常是一些普通老百姓出行不方便所带来的一系列问题, 如果在该话题下能提取出到网民支持或反对的核心理由, 就能准确地判断发言人的立场倾向.

随着Bengio等人提出了神经网络语义模型之后, 文本词向量技术受到了广泛关注. 对于机器学习而言, 特征表示将直接影响模型性能的好坏, Word2Vec模型可以根据文本中词的关联性有效地学习语义特征. 本文结合话题文本构建出主题词集, 在词向量下根据主题词和情感词筛选出有价值的特征信息, 最后使用SVM (Support Vector Machine)对话题语料进行训练得到最终的立场检测模型.

2 相关工作

微博立场的检测属于文本倾向性分析的研究领域, 文本倾向性分析又主要分为情感分析和立场分析. 常见的情感分析方法也可以适用于立场分析, 目前针对微博文本的情感分析, 近年来已取得了非常出色的研究成果. 2011年, Lu等人^[3]提出了一种基于统一规则的自动化构建情感词典的方法, 该方法针对情感分析表现不错, 但不能提取到文本的隐含语义信息. 针对立场分析, Ebrahimi等^[4]将情感极性融入到对象和立场中, 并对三者进行对数线性联合建模. Chen等^[5]通过话题风格和微博文本进行特征提取, 建立了基于CNN的立场检测模型. Liu等^[6]提出了一种以情感加权算法和朴素贝叶斯算法相结合的组合分类模型, 该模型虽有较好的立场判别精度, 但并不能处理复杂的中文句式及上下文语境等情况. Dian等^[7]通过探究不同的特征提取方法, 之后使用支持向量机、随机森林和梯度提升决策树对上述特征进行立场检测, 最后结合所有的特征分类器进行后期融合, 在2016年自然语言处理与中文计算会议(NLPCC2016)中文微博立场检测评测任务中取得了第一名的成绩. 随着以Word2Vec为代表的词向量广泛应用, 本文基于词向量技术并构建主题词集作为立场特征完成微博话题的立场检测.

3 基于主题词特征的微博话题立场检测 3.1 模型框架

如图1所示, 本文主要使用Word2Vec和立场特征对微博进行立场检测. 首先对数据集进行数据清洗, 同时构建当前话题的主题词集. 然后使用词向量技术对所有词汇进行学习获得其词向量表示, 接着使用三种方法对每条微博做特征选择, 之后将筛选后的词向量求平均值作为每条微博的最终特征向量, 最后采用SVM算法对上述特征向量进行训练和预测得到最终立场检测模型.

3.2 文本预处理

文本预处理^[8]包括数据清洗、分词、去停用词. 数据清洗主要过滤掉微博的文本噪音, 其中主要去除以“#”包围的字段、url网址、表情符号、转发符号, 本文采用正则表达式去除上述噪音. 之后对文本进行分词, 分词工具采用的是中文开源分词工具jieba分词. 最后去除停用词, 去除停用词可以对文本进一步降噪, 停用词主要包含一些标点符号、代词、助词, 如“他”、“要”、“也”、“。”等.

3.3 主题词集

常用的主题词集构建方法有TF-IDF词频逆文档频率和TextRank算法^[9]. TF-IDF是基于词袋模型(Bag-of-Words), 通常把文章表示成词汇的集合, 而不考虑句子中词汇的顺序关系, 不能有效地反应文章的内部组织结构. TextRank算法类似于PageRank算法, 它是基于网络模型(graph model), 该模型将文章表示成网络结构, 网络中各个节点表示单个词汇, 节点之间的边表示文章中词汇之间的邻近关系, 该方法能联系到句子中词汇的位置关系. 由于微博句式简单, 结构相似, 为了获取话题的核心关键词, 本文采取TextRank算法构建主题词集. 如表1所示, 列举了TextRank提取的部分主题词.

3.4 词向量模型

在文本分类中, 特征抽取通常根据某个特征评估函数计算每个特征的评分值, 并以此作为权重按评分值进行排序, 然后选取若干个评分最高的作为特征词. 这种类型的算法有词袋模型(Bag-of-Words-BOW)算法, N-Gram算法, 但这类算法无法提取词汇的深度语义信息. Bengio等人基于n-gram思想提出了神经网络语言模型^[10], 采用三层神经网络学习词向量^[11], 其核心思想是常用的神经网络算法, 该模型能有效地提取文本的深度特征, 近年来已经有很多学者使用该技术做情感分析^[12], 并取得了非常出色的实验效果.

Word2Vec根据语料库的词汇顺序关系, 利用CBOW模型或Skip-Gram模型将词汇转换为K维空间的向量表示(distributed representation)^[13], 模型包含输入层、投影层和输出层. 其中CBOW模型是根据当前词 ${w_{t - 2}}$ , ${w_{t - 1}}$ , ${w_{t + 1}}$ , ${w_{t + 2}}$ 的前提下预测 ${w_t}$ , 而Skip-Gram模型恰恰相反. 本文采用的是CBOW词向量模型, 其基于神经网络语言模型的目标函数通常取如下对数似然函数:

${{L}} = \sum\limits_{w \in C} {\log p(w|Context(w))} $

(1)

如图2所示, CBOW词向量模型由三层神经网络构成, 其中输入层包含 $Context(w)$ 中 $2c$ 个词向量, $v(Context{(w)_1}),\cdots,v(Context{(w)_{2c}}) \in {R^m}$ , 由词 $w$ 前后各 $c$ 个词构成, $m$ 表示词向量的长度, 投影层将输入层 $2c$ 个词向量做求和运算, 公式如下:

${x_w} = \sum\limits_{i = 1}^{2c} {v(Context{{(w)}_i})} $

(2)

输出层根据每个词在语料库中出现次数构造一颗Huffman树, 叶子节点分别为词典D中的每个词, 一共有N个, 非叶子结点有N–1个. Word2vec将Huffman编码为0的节点定义为正类, 编码为1的节点定义为负类, 这样对于词典D中任意一个词 $w$ , Huffman树一定有一条从根结点到词 $w$ 对应结点的唯一路径 ${p^w}$ . 路径 ${p^w}$ 上存在 ${l^w} - 1$ 个分支, 每个分支上对应一个二元分类的概率, 将这些概率连乘的结果就是最后所需的条件概率 $p(w|Context(w))$ , 计算公式如下:

$p(w|Context(w)) = \prod\nolimits_{j = 2}^{{l^w}} {p(d_j^w|{x_w},\theta _{{\rm{j - 1}}}^w)} $

(3)

$p(d_j^w|{x_w},\theta _{j{\rm{ - 1}}}^w) = \left\{ {\begin{aligned} & {\sigma (x_w^{\rm T}\theta _{j - 1}^w),}\quad {d_j^w = 0} \\ & {1 - \sigma (x_w^{\rm T}\theta _{j - 1}^w),}\quad {d_j^w = 1} \end{aligned}} \right.$

(4)

本文利用Gensim^[14]工具对语料中的词汇做Word2Vec训练, 词向量维数设置500维, 训练完后得到最终词向量CBOW模型. 词向量的相似性通常选取余弦距离来衡量, 两个词向量的余弦距离表示其在空间上的向量夹角, 余弦值越接近于1表明其夹角越接近0度, 也说明两个词向量越相似, 余弦距离计算公式如下:

$\cos(\theta ) = \frac{{\sum\limits_{i = 1}^n {({x_i} \times {y_i})} }}{{\sqrt {\sum\limits_{i = 1}^n {{{({x_i})}^2}} } \times \sqrt {\sum\limits_{i = 1}^n {{{({y_i})}^2}} } }}$

(5)

如表2所示, 在话题“春节放鞭炮”下训练的词向量模型得与词“放鞭炮”余弦距离最近的5个词语. 由余弦距离可以看出较近的词语通常代表的立场也相似, 其表明了微博作者持该立场的理由, 如“放鞭炮”与“环境”、“污染”、“雾霾”相近, 说明该话题下针对“放鞭炮”谈论的核心是与环境相关的问题.

3.5 特征选择

情感词和主题词通常决定微博作者的情感倾向和立场倾向, 更能表明微博作者的观点. 本文分别采用情感词和主题词的特征选择方法提取其立场特征, 情感词典综合采用中国知网情感词典、清华大学李军中文褒贬义词典和台湾大学NTUSD简体中文情感词典, 主题词集由TextRank算法在该话题下提取的250个名词构成. 如表3所示, 对预处理后微博分别采用主题词和情感词做特征选择之后的结果.

3.6 模型的训练与预测

根据以往实验表明对于文本分类支持向量机与其他分类算法相比在处理非线性及高维分类中有着较好的分类效果^[15]. 本文首先根据情感词典和主题词集从训练文本中获取其特征词语, 并利用词向量模型将其转换为500维的空间向量, 然后对其求平均值并做归一化处理作为最终的文本向量, 最后由SVM分类器根据训练集中的文本向量和相对应的正负标签训练出立场检测模型, 并利用生成后的模型对测试数据进行正负性的立场预测.

4 实验与分析 4.1 实验数据

本文采用的数据集来自NLPCC2016中文微博立场检测的评测任务, 选取的话题是任务中第二个话题“春节放鞭炮”, 该话题一共有500条微博, 其中持支持和反对立场的各有250条微博数据, 训练集与测试集比例为8:2, 数据格式为微博ID, 话题, 微博文本,

立场标签, 例如:

<ID>1

<TARGET>春节放鞭炮

<TEXT>又是一年新春到, 除夕之夜少放鞭炮, 为

纯净空气做一份贡献.

<STANCE>AGAINST

4.2 评价标准

常用的评价标准通常选取准确率、召回率和F1值, 本文针对立场检测为了综合考虑分类效果增加了正负类的F1评价均值 ${F_{\rm{avg}}}$ 作为综合评价指标, ${F_{\rm {avg}}}$ 计算公式如公式(6)所示, 其中 ${F_{\rm {favor}}}$ 和 ${F_{\rm {against}}}$ 分别表示支持立场和反对立场的F1值, 本文实验中选取的话题“春节放鞭炮”在NLPCC2016比赛中最好的成绩 ${F_{\rm {avg}}}$ 是77.61%.

${F_{\rm{avg}}} = \frac{{{F_{\rm{favor}}} + {F_{\rm {against}}}}}{2}$

(6)

4.3 实验结果与分析

为了获取更多的立场特征, 本文在对微博文本基于主题词和情感词特征选择后, 还将两种特征选择方法结合起来实验, 最后将筛选后的特征词转换为词向量求均值由SVM支持向量机对其训练及预测得到该话题下的最终立场检测模型, 实验结果如表4所示, 其中正类表示支持倾向, 负类表示反对倾向.

由表4所示, 在以F1均值这项评价指标下, 以情感词典作为筛选特征在三种分类模型中表现最差, 说明传统的情感词典方法并不完全适合立场检测. 因为用户通常在表达立场时, 有时会包含自己的主观情绪, 但这种情绪具有两面性, 针对的可能是话题的正面, 也可能是话题的对立面, 所以情绪并不能准确地反映作者的立场倾向. 而基于主题词集的特征选择方法效果更好, 因为在话题中这些主题词代表的是该话题的核心关键词, 也是微博作者支持或反对理由的主要理由, 更能反映发言人的论点和立场信息.

在使用主题词和情感词两种特征结合实验, 分类效果达到最好. 这是因为一些短微博往往无法提取到主题词, 但是它们多数含有一些情感词, 如果结合情感词做特征选择可以弥补主题词特征选择方法的弊端. 其次, 本文还针对主题词的数量做了定性实验, 在区间[100, 600]分别设置7种不同的主题词数量完成优化实验, 实验结果如图3所示.

从图3中可以看出选取500个主题词可以达到最好的立场检测效果, 因为当主题词较少时, 相对的立场特征就少. 相反, 当主题词过多时, 便会产生一些噪声干扰检测. 本文在选取500个主题词同时结合情感词典做辅助特征选择, 为了获得最好的分类效果, 通过调整SVM算法的惩罚系数C, 实验结果显示在C=5时正负F1均值可以达到83%, 相比该话题最好的成绩提高了5个百分点, 证明本文方法的有效性.

从实验可以看出, 基于词向量技术和主题词特征在中文微博立场检测中可以获得不错的分类效果, 主要原因是Word2Vec训练出的词向量包含了词汇之间的语义信息, 其相对于词频特征更能表明词语的实际意义. 同时基于主题词特征的特征选择方法可以获取更多有价值的立场特征, 针对一些较短的微博, 结合情感词进一步提升了模型的性能.

5 结束语

本文通过使用NLPCC2016中文微博立场检测的数据集进行实验, 首先将文本进行预处理并使用词向量技术将词汇转换为高维空间的向量表示, 然后使用TextRank提取话题的关键词作为话题的主题词集, 提出了基于主题词的特征选择方法, 同时融入情感词典做辅助特征选择, 并使用支持向量机对话题微博进行训练及预测. 实验结果表明, 本文的方法在中文微博话题下具有较好的立场检测效果.

鉴于微博平台下话题众多, 如果进一步考虑话题的类别, 本文的研究方法还需做进一步扩展. 其次, 本文最后使用的文本向量是由特征选择后的词向量求均值所得, 这种方法虽然可行但丢失了词向量的顺序信息. 但是, 词向量隐含地包含了词汇间的顺序关系, 本文最后输入到SVM的特征向量是由特征选择后的词向量求均值所得, 它综合了当前微博的所有立场特征信息, 是当前微博立场的一般特征表示, 对微博立场检测的结果影响不大, 但具有研究价值. 在今后的研究中, 针对话题类别和如何获取句子的结构化信息是本文的研究重点.