1 引言

近年来针对微博数据的情感分析引起了广泛的关注^[1], 同时也促进了立场检测研究的兴起与发展. 立场检测可以看作是针对特定目标话题进行的对情感分析任务的改进. 2016年Mohanmmad等^[2]构建了基于Twitter数据的立场检测英文数据集, 并用于SemEval-2016 会议的Task 6: 立场检测(Stance Detection). 随后, Xu等^[3]从Mohammad等人的工作中受到启发, 构建了面向中文微博的立场检测数据集, 并将其用于2016年的自然语言处理与中文计算会议(Natural Language Processing and Chinese Computing, NLPCC)发表的任务中.

立场检测任务通过自然语言处理技术, 分析出当前微博文本内容对目标话题的立场倾向是“支持”、“反对”还是“中立”. 看似与情感分析相似, 但情感分析侧重的是一段文本中情感特征的极性, 而立场检测是要根据给定的目标话题来判断文本的立场, 在很多情况下是无法仅仅从文本的情感极性来判断其立场分类的. 例如, “最反感这些拉客的! 还有在机动车道上行驶的!”, 这条微博不考虑任何目标话题时, 它的情感极性是消极的, 但是当针对“深圳禁摩限电”这个话题时, 这条微博的立场应为“支持”. 由于立场检测任务比情感分析多出一步很重要的目标话题特征, 所以在模型的设计与使用上自然也要与情感分析有所不同. 早期的立场检测研究中, 往往直接忽略掉目标话题而只是对微博的文本内容进行类似情感分析的处理. 而在当前的立场检测研究中, 将目标话题与微博文本内容以不同方式拼接到一起然后进行分类, 这些方法都没有对目标话题同微博文本之间的关系特征进行分析.

本文提出了一个基于Bert-Condition-CNN的立场检测模型, 首先对微博文本集进行主题短语的提取以扩大话题信息在微博文本中的覆盖率; 然后使用BERT获取扩充后的话题集和微博文本的句向量, 通过构建两个文本序列间的Condition矩阵来提取话题信息和微博文本间的关系特征; 最后使用CNN对关系矩阵Condition层进行立场信息的判断.

2 相关工作

针对立场检测任务, 目前国内外的研究人员采用的方法主要有基于特征工程的机器学习方法和基于神经网络的深度学习方法.

2.1 基于特征工程的机器学习方法

Zheng等^[4]将微博文本中的情感词和主题词作为特征词进行提取, 然后通过Word2Vec对特征词进行词向量的训练, 将词向量取平均作为文本的特征输入到SVM分类器中进行立场分类. 实验表明只使用情感词作为特征时, 对立场的分类并不理想, 情绪并不能准确地反映作者的立场倾向, 而加入主题词的特征选取效果更好. Dian等^[5]探究了文本的多种特征融合对立场检测的影响, 分别有基于词频统计的词袋特征、基于同义词典的词袋特征、词与立场标签的共现关系特征、文本的Word2Vec的字向量和词向量, 对这些特征的不同组合方式, 分别使用SVM、随机森林和决策树对进行立场分类, 实验表明词与立场标签的共现关系同Word2Vec的字、词向量的组合对立场分类的结果改善最为明显.

2.2 基于深度学习的方法

相比基于特征工程的机器学习方法而言, 深度学习的优势在于不用进行复杂的人工特征抽取, 而是通过将文本内容全部映射为向量, 然后使用多层的神经网络与标签之间进行拟合自动学习文本的特征. 目前现有的立场检测研究中, 基于深度学习的工作主要是通过将目标话题信息以不同的方式添加到微博文本内容中和通过修改神经网络结构这两种方法来提升立场检测效果.

Wei等^[6]使用基于Yoon Kim^[7]的卷积神经网络对微博文本进行分类, 它使用了一种对模型投票的机制来融合训练中产生的各模型结果, 每一个epoch训练结束后都会迭代一些测试集数据对标签进行预测, 最终测试集的结果是将所有的epoch迭代完, 每条数据选择被预测次数最多的标签作为最终结果, 但是它只针对微博文本进行了特征提取和分类, 而忽略了目标话题在立场检测中的作用. 针对这个问题, Augenstein等^[8]提出了一个Bidirectional Conditional Encoding模型将目标话题与微博文本进行拼接, 通过使用BiLSTM(Bidirectional Long Short-Term Memory)将目标话题细胞状态层的输出作为微博文本BiLSTM的细胞状态层的初始值, 从而实现两个文本序列的拼接, 而隐层状态的BiLSTM对目标话题和微博文本的编码则是相互独立的. 为了加强模型针对目标话题对立场检测的影响, Bai等^[9]提出了一种基于注意力的BiLSTM-CNN模型对中文微博立场进行检测, 首先使用BiLSTM和卷积神经网络CNN分别获取文本的全局特征和局部卷积特征; 然后使用基于注意力(Attention)的权重矩阵将文本的BiLSTM输出加入到CNN的输出中; 将最终获取到的CNN的句子表示输入Softmax层进行分类. 在基于注意力机制的方法上, Yue等^[10]提出了基于两段注意力机制的立场检测模型, 首先使用Word2Vec进行词向量表示; 然后对微博文本的词向量和目标话题的词向量进行Attention计算, 使用BiLSTM对微博文本进行特征提取, 对提取到的特征再次与目标话题进行Attention计算, 将最后得到的结果使用Softmax进行分类.

根据对现有研究的分析和对比, 如何充分发挥话题信息在立场检测任务中的作用是本文研究的重点.

3 本文工作

本文的主要工作是设计完成了基于BERT–Condition-CNN的中文微博立场检测模型. 首先, 为增大话题信息在微博文本中的覆盖率, 本文结合LDA和点互信息, 在数据处理部分对微博文本进行主题短语的提取, 将目标话题进行扩充构成话题集; 然后进行网络模型的构建, 使用Bert获取话题集和微博文本的句向量(分别用U、V表示), 并构建两个句向量矩阵的Condition层C, 以计算目标话题和微博文本的关系特征; 最后使用CNN学习得到最终的立场信息输入Softmax层得到立场标签. 模型的流程图如图1所示, 本章将对模型中各个部分的具体实现步骤进行介绍.

3.1 主题短语提取

本文的主题短语提取采用的是基于n-grams的识别技术^[11], 首先对语料进行n-grams词组集合的构建(这里的n-grams词组是指由相邻的n个词组成的词组序列); 然后将n-grams词组集合中包含低频词和标点符号的无意义词组序列进行删除构成主题短语候选集; 最后对候选集中的词组进行打分, 主要考虑两个方面: 主题关联度和短语质量. 主题关联度是指词组序列中包含主题词的比例 ${{nu{m_{\rm{keys}}}} / n}$ (其中num_keys是词组中含主题词的个数; n是词组的长度), 本文使用LDA主题模型对微博文本进行主题词的提取; 短语质量是指词组中相邻词之间的点互信息和, 点互信息(Pointwise Mutual Information, PMI)通常被用于计算两个词之间的关联度^[12], 其计算公式如下:

$PMI(wor{d_1},wor{d_2}) = {\log _2}\frac{{P(wor{d_1},wor{d_2})}}{{P(wor{d_1})P(wor{d_2})}}$

(1)

以词组在语料中出现的频率freq为权重, 最终短语的得分计算方法为:

$ score =freq \times \frac{{{{num }_{\rm{keys}}}}}{n} \times \sum\limits_{{{{w}}_i},{{{w}}_j} \in {{ph}}rase} {PMI} \left( {{w_i},{w_j}} \right) $

(2)

设置短语得分的阈值为s, 当词组的score大于等于s时, 认为该词组可合并为主题短语. 如果词组的score小于s, 则其为普通词组序列. 主题短语提取的算法步骤如算法1.

算法1. 主题短语提取算法

1. 将微博语料进行分词处理并进行词频统计;

2. 使用LDA对语料进行主题词的提取, 设定主题个数为K;

3. 构建语料的n-grams词组集合, 删除其中包含步骤1中统计出的低频词和包含标点符号的词组序列, 构成主题短语候选集D;

4. 对步骤3构建的候选集D中的词组进行主题关联度和短语质量的打分, 将短语得分大于阈值s的词组作为主题短语进行提取.

上述算法通过主题关联度过滤掉不包含主题词或包含主题词比例较少的词组, 通过计算词间的PMI值来判定词组合并为短语是否合理, 最后通过频率筛选掉具有高主题关联度和高短语质量但出现次数不多的词组.表1为NLPCC语料中5个目标话题的主题短语提取结果、实验中低频词的阈值为3、主题个数K=200、短语得分阈值s为0.0019, 从每个话题的结果中选取5个作为最终的主题短语.

3.2 Bert句向量

2018年Google AI团队发布了一种新的语言模型Bert^[13], Bert一经推出, 给自然语言处理中的预训练模型带来了突破性的发展, 在许多自然语言处理任务上取得了state-of-the-art的成绩. Bert是一种多层双向的Transformer编码器, 其结构如图2所示(图中T_m模块为Transformer中的Encoder部分).

Bert的预训练过程使用的是两个非监督任务: Masked LM(掩码语言模型)和Next Sentence Prediction (下一句话预测). 第一个任务是使用Masked LM实现了双向语言模型的预训练, 不同于Word2Vec等其他语言模型需要对输入序列中所有词进行预测, Masked LM是在输入数据中随机选取15%的词进行masked操作, 通过上下文的词去预测这15%的词, 以避免下文的词对当前词的影响, 从而实现了真正意义上的“双向”. 这15%被masked的词中, 有80%是用“[MASK]”符号进行替代, 10%用语料中随机抽出的词进行替代, 剩余的10%保留原有词不进行转变. Bert的第二个任务是Next Sentence Prediciton, 用来判断两句话(A, B)是否为上下句关系的二分类任务. 训练数据中50%的(A, B)数据是真实上下句作为正例, 剩余的50%的(A, B)中的B是随机抽取的作为负例进行训练. 该任务的最终预训练结果可以达到97%~98%的准确率. Bert预训练模型也可作为fine-tuning用于改善序列对分类的效果, 用于QA (判断两句话是否为问答对)和NLI(自然语言推理)任务等.

在本文的实验中, 使用了Google发布的Bert中文的预训练模型“BERT-Base, Chinese”. 该模型采用了12层的Transformer, 输出大小为768的维度向量, multi-head Attention的参数为12, 模型总参数大小为110 MB, 共包含约2万的中文简体字和繁体字, 含有部分英文单词和数字. 将模型载入后, 可以直接输出训练好的字向量或句向量. 本文使用该模型获取句向量并将其作为后续网络模型的输入.

3.3 Condition计算层

使用3.1节中抽取出的主题短语对目标话题进行扩充得到话题集(targets), 在<话题集, 微博文本>的数据中, 微博文本可以对应到更多的话题相关信息. 将扩充后的话题集和微博文本使用句子序列的方式进行表示: 话题集targets={target₁, …, target_n}、微博文本weibo={sent₁, …, sent_m}, 其中n、m分别代表话题集中包含话题的个数和微博文本中包含的句子个数. 不同与第一章中介绍的用Attention将话题以不同的权重加到微博文本中的计算方法, 本文提出的方法是对话题集和微博文本进行关系矩阵的计算. 如图3所示, 在对targets和weibo进行关系矩阵的计算前, 先将target_i和sent_j(0<=i<=n, 0<=j<=m)通过Bert预训练模型输出为句向量, 记u_i=Bert(target_i), v_j=Bert(sent_j), 得到的关系矩阵称为Condition, 其中c_ij=score(u_i, v_j).

Condition层的作用可以看作是对原本计算<target, weibo>的立场检测任务分解为计算每一对<target_i, sent_j>序列组合的立场检测. 通常认为立场检测任务分为以下两个步骤: 一是判断sent_j是否是围绕target_i进行展开评论的, 即两个文本序列之间是否存在蕴含关系; 二是sent_j针对target_i的立场是支持、中立还是反对的. 若sent_j与target_i不存在蕴含关系时, 则其立场为中立. 在本节的Condition计算层中进行的主要工作是通过计算sent_j与target_i的关系得分score (u_i, v_j), 从而判断两个序列是否在蕴含关系. 由于u_i, v_j均是句向量(句向量的维度为d), 所以在计算score (u_i, v_j)时, 参考向量之间的距离计算, 本文设计了归一化的欧几里得距离、余弦距离和向量点乘的3种方法:

(1) 归一化的欧几里得距离

欧几里得距离是向量中常用的距离定义, 两点的距离越大, 欧几里得距离越大, 由此代表的两个句向量之间的关系就越小. 因此欧几里得距离与u_i, v_j的关系成反比. 故在本文的实验中采取式(3)所示的归一化处理, 使得score(u_i, v_j)与u_i, v_j的关系形成正比.

$ score \left( {{u_i},{v_j}} \right) = 1/\left(1 - \sqrt {\sum\limits_{l = 1}^d {{{\left( {{u_{il}} - {V_{jl}}} \right)}^2}} } \right) $

(3)

(2) 余弦距离

余弦距离计算的是两个向量所形成夹角的余弦值, 如式(4)所示, 值越大说明两个句向量的夹角越小, 两个向量的关系就越大.

$score \left( {{u_i},{v_j}} \right){\rm{ }} = \frac{{\displaystyle\sum\limits_{l = 1}^d {{u_{lk}}} {v_{lk}}}}{{\sqrt {\displaystyle\sum\limits_{l = 1}^d {u_{il}^2} } \sqrt {\displaystyle\sum\limits_{l = 1}^d {v_{jl}^2} } }} $

(4)

(3) 向量点乘

向量点乘的计算同余弦距离相比, 不仅可以体现两个向量之间的夹角, 还反映了向量u_i在向量v_j上的映射大小, 计算公式如式(5)所示.

$ score \left( {{u_i},{v_j}} \right)=\displaystyle\sum\limits_{l = 1}^d {{u_{lk}}} {v_{lk}} $

(5)

在这3种计算向量关系的方法中, 欧几里得距离是通过计算空间距离来反映向量之间的关系; 余弦距离是通过计算空间中两个向量之间的夹角余弦值来反映向量之间的关系. 点乘计算不但反映了向量间的夹角, 而且其计算复杂度和空间复杂度都相对较低, 因此在深度学习中, 通常使用点乘来计算两个向量之间的关系. 通过3种方法计算得到的关于话题集和微博文本之间的关系矩阵Condition层, 反映了微博文本和话题集的蕴含关系. 在后续特征提取的计算中, 以Condition层作为输入进行分类.

3.4 CNN特征提取层

CNN特征提取层的输入是3.3节中的Condition计算层, 该特征矩阵为话题集与微博文本之间的关系矩阵, 其中涵盖了话题target_i和文本sent_j这一对文本序列中存在的蕴含关系和所持立场信息. 本节内容针对Condition层对所有<target_i, sent_j>序列对计算得到的C_ij进行特征融合并分类, 通过二维卷积计算相邻序列对<u_i, v_j>的关系特征对最终立场分类影响的权重, 计算公式如式(6)所示.

$ {s_{i,j}} = f\left( {\sum\limits_m {\sum\limits_n C } (m,n)K(i - m,j - n) + b} \right) $

(6)

式中, K(i–m, j–n)为卷积核权重参数, b为偏置项, f为非线性激活函数, 通常为Relu、Sigmoid或Tanh. 卷积后的特征矩阵S要经过最大池化层的处理, 池化层可以看作是一种降采样方式, 最大池化就是选取当前池化窗口中最大的数值作为特征, 可有效缩减特征矩阵的大小, 缩小模型参数数量, 从而加快计算速度, 有利于减少模型的过拟合问题. 将池化后的特征向量使用全连接进行特征融合, 然后进行Softmax算法对其进行分类. 全连接层和Softmax层的主要任务是将最终获取到的特征信息进行融合, 获取特征向量对于每个立场标签的得分, 并输出<targets, weibo>的最终立场标签. 本文采用Softmax层是概率转换层, 将输入的向量以概率形式表示, 完成对立场标签的预测.

4 实验结果与分析 4.1 数据集

本文使用的数据集是NLPCC在2016年发布的任务4: “中文微博立场检测任务”中所提供的公开数据集. 该数据集中共包含4000条已标注立场类别标签的中文微博数据, 其中3000条为训练集, 1000条为测试集, 如图4所示.

数据以“<id><target><weibo><stance>”的格式给出, 其中“target”为目标话题, 共有5个, 分别是: “iPhone SE”、“春节放鞭炮”、“俄罗斯在叙利亚的反恐行动”、“开放二胎”和“深圳禁摩限电”; “weibo”为微博文本内容, 一般文本长度较大, 因此在进行实验前需要先将其进行断句处理; “stance”是立场标签, 共有3个分类: “FAVOR”代表支持、“AGAINST”代表反对、“NONE”代表中立. 针对5个不同的目标话题, 其立场标签的分布情况如表2所示.

4.2 数据预处理

由于微博文本中的数据较为口语化, 并包含很多表情符号、繁体字、URL链接、多次标点符号重复等情况. 这些情况都会对文本分析产生很大的噪声影响, 因此本文在预处理部分进行了语料清洗的工作, 主要包括: 清除了冗余的标点符号和链接, 将繁体字转为简体等, 如表3所示.

Bert-Condition-CNN模型的输入是基于句子级别的, 但因为微博文本的内容普遍较长, 所以需要在预处理部分将微博文本内容进行断句处理. 本文在实验中将微博文本中出现的“, ”、“?”、“!”, “、”和“. ”标点符号作为断句标识符对文本内容进行断句分割. 断句后训练集和测试集中微博文本的长度(包含句子的个数)分布情况如图5所示. 由图可见训练集和测试集文本长度的分布大体上是一致的, 且大部分数据的长度是集中在0~25之间, 因此为保证在计算Condition层时, 微博文本内容的长度一致. 所以在预处理部分将微博文本的长度固定为25, 对长度不足25的数据进行“[PAD]”符号的补齐, 长度大于25的数据进行截断处理.

4.3 评价指标

分类器的主要评价指标有准确率(Accuracy)、精确率(Percision)、召回率(Recall)和F值(F-score). 准确率是指分类正确的样本占总样本个数的比例, 精确率是指分类正确的正样本占分类器预测为正样本个数的比例, 召回率是指分类正确的正样本占真正的正样本个数的比例. 为平衡精确率和召回率之间的关系, 以免出现由于数据类别分布不均衡导致两个分数之间相差过大, 无法充分反映分类器的效果, 通常在分类任务中, 引入两者的调和平均值, F度量值作为分类的评价指标, 其计算公式如式(7)所示.

$ F = \frac{{2P \times R}}{{P + R}} $

(7)

在NLPCC任务中, 官方给出的评价指标是使用F_Faver和F_Against的平均值作为最终评价指标. 其中F_Faver是“支持”标签的F度量, F_Against 是“反对”标签的F度量. 其计算公式如下:

$ {F_{\rm{avg}}} = \frac{{{F_{\rm{Favor}}} + {F_{\rm{Against}}}}}{2} $

(8)

4.4 参数设置

实验中涉及的网络模型参数如表4所示. 使用Relu作为卷积层的激活函数. 实验采用4.1节中介绍的数据集, 其中3000为训练集, 1000为测试集. 将训练集中20%的数据抽出作为验证集使用, 迭代次数epoch=150, 选取在验证集上得到最好效果的模型作为最终模型在测试集上进行测试.

4.5 实验结果与分析

为了验证本文提出的基于Condition-CNN的模型在中文微博立场检测任务上的有效性. 本节进行了如下实验对比.

如表5所示, 首先对比了采用拼接法将目标话题和微博文本连在一起(Concat)和使用本文提出的Condition层对话题集和微博文本进行关系矩阵构建的两种方法的效果. 同时给出了Bai^[9]中提到的BiLSTM-CNN-ATT在相同数据集上的表现结果.

在本次对比中, Concat和Condition的实验中均使用了Bert预训练模型输出句向量. 通过这两种对话题和微博文本的不同组成方式的实验结果对比表明, 基于Condition计算层进行话题和微博文本关系构建的方式对立场检测任务的效果有着明显的提升. 表中BiLSTM-CNN-ATT的模型是基于注意力的混合网络模型, BiLSTM-CNN-ATT的F_Favor值取得了最高分, 但其分类结果不均衡的现象导致了最终的F_Avg值的降低. 通过Concat方法和BiLSTM-CNN-ATT的对比, 可以看到, Bert作为句向量的语义特征抽取能力是优于RNN和CNN的甚至是优于将RNN、CNN、Attention拼接组合起来的效果.

表6中对比了3.3节中给出的3种Condition层计算的方法, 分别是基于欧几里得距离(Euclidean)、余弦距离(cosine)和点乘计算(dot)的. 实验结果显示基于点乘计算的效果最佳, 并且相对于另外两个计算方式, 点乘的计算复杂度也相对较低, 因此在后续的实验中采用Condition计算方式都是采用点乘的方法, 包括在表5中的Condition计算也是使用的点乘.

为了方便对模型结构进行验证对比, 上述两个对比实验在进行训练及测试的时候针对的是数据集中所有的数据, 并未做话题的区分. 但实际上, 从实验数据的角度出发, 5个目标话题是相互独立的, 因此将5个话题的数据分开进行单独训练会得到更好的效果. 如表7所示, 将话题分开单独训练的结果同Dian^[5]和Yue^[10]的ATA模型进行对比. 其中Dian的工作是基于不同特征融合的机器学习模型, 经过实验对比, 对不同目标话题采取了不同的特征组合方式. 该工作在2016年NLPCC的任务中取得了第一名的成绩. Yue的ATA模型是基于深度学习的模型, 采用两段注意力机制将目标话题和微博文本进行组合. 该表中仅使用了F_Avg进行对比.

从实验对比结果中可以看出, 基于Bert-Condition-CNN的模型在5个话题的立场检测中, F_Avg均取得了最高的分值. 在话题“深圳禁摩限电”、“开放二胎”和“春节放鞭炮”中F_Avg都取得了0.8以上的分数. 在话题“春节放鞭炮”和“开放二胎”的任务上以微弱的形式胜出; 在话题“俄罗斯在叙利亚反恐行动”、“深圳禁摩限电”和“iPhone SE”中取得了1%~3%的提升. 在同ATA模型的对比中, 进一步验证了Condition层对立场检测任务的提升.

对于分类结果较差的两个话题“俄罗斯在叙利亚反恐行动”和“iPhone SE”. 这两个话题经主题短语提取后形成的话题集如3.1中的表分别为{“极端组织”、“战斗民族”、“大国博弈”、“胜利阵线”、“武装分子”}和{“中国市场”、“电池续航”、“开发者大会”、“外观侵权”、“1200万像素摄像头”}. 首先这两个话题集在数据中的覆盖率相比于其他话题的覆盖率来讲是较低的, 在通过Condition计算层计算时形成的关系矩阵大多较为稀疏. 因此在进行立场检测分类时得到的效果较差.

5 结论与展望

本文的主要工作是基于构建话题和微博文本之间Bert句向量的Condition层, 利用卷积神经网络模型, 实现了对中文微博的立场检测研究, 并给出了一种主题短语提取的方法. 经过实验对比分析, 验证了本文提出的模型Bert-Condition-CNN的有效性和在立场检测任务中取得的进步.

首先对微博数据进行分析发现, 单一的目标话题对微博文本数据的覆盖不足, 因此需要对微博文本进行主题短语的提取. 本文提出了基于LDA和点互信息提取的方式. 首先从n-grams词组集合中删去包含低频词和标点符号的无意义词组序列构成主题短语候选集, 然后使用LDA对文本进行主题词提取和点互信息计算, 分别用来反映词组的主题相关性和短语质量; 最终将候选集中的词组进行主题相关性和短语质量的打分, 并以在语料中出现的频率为权重, 从而选出主题短语.

其次在对文本进行向量之间的映射时, 使用了Google在2018年发布的Bert预训练模型, 直接生成句向量. 通过对话题集和微博文本的句向量进行Condition计算, 得到两个文本的关系特征矩阵. 对立场检测的分类是基于Condition层进行计算.

最后通过与目前现有研究中取得最好成绩的基于特征融合的机器学习模型和基于深度学习的模型均在相同的数据集上进行了对比, 对本文提出模型的有效性进行了验证.

本文在进行立场检测的实验对比时发现, 在“俄罗斯在叙利亚的反恐行动”和“iPhone SE”两个话题上, 本文提出的基于Condition-CNN模型的得分相对于其他三个话题的得分较低. 对实验结果进行分析后发现, 主要是因为针对这两个话题进行的主题短语提取结果中, 得到的结果在微博文本中的立场表现并不十分明显. 因此, 如何提取有利于进行立场检测研究的主题短语还有待改进.