Joint Learning of Aspect-level Sentiment Analysis and Singer Name Recognition from Social Networks

摘要

網路聲量偵測是在市場調查時常使用的手法之一，常見手法是將某些事物被提及的次數作為熱門預測的指標。然而，只利用提及次數很難給予被提及的事物正確的評價，是否熱門往往牽扯到對於該事物的評價，因此本論文希望從社群網路的資料中找出目標事物的同時，判斷評論者對於目標的評價。本論文主要使用多任務學習模型架構（Multi-task Learning, MTL）去進行模型上的設計，分別針對中文藝人的命名實體辨識（Singer Name Recognition, NER）和運用基於面的情感分析（Aspect-Based Sentiment Analysis, ABSA），針對目標做情感分析兩個任務去做研究。在 NER 任務中，我們參考 [20] 的模型架構，利用多任務學習架構去取代常見的條件隨機域層（conditional random field, CRF），並在訓練資料中中文斷詞的資訊中文分詞的相關資訊，讓模型在使用字向量的同時也能學習到詞方面的訊息，藉此提升 NER 斷詞的準確度。在 ABSA 的任務中，我們在上一個 NER 預測模型的架構上，再加入情感判斷的任務，希望模型能在 NER 擷取目同時做到目標的情感判斷，我們參考 Ruidan 等人 [10] 在句中加入額外的情緒詞標記，希望借此能提升目標情緒判斷的效能。本研究使用的資料為利用客製化爬蟲程式從社群網站上擷取之文章作為訓練資料，測試資料同樣從社群網站上隨機挑選文章，作為基準效能以評估模型之效能。實驗結果顯示，在 NER 階段，我們的藝人辨識模型在擷取未錄入藝人（OOV）狀能達 60% 的 Recall 及 50% 的 F1。在情感分析的任務中，我們延續 NER 階段所使用的模型架構，並在其架構上加入目標情緒分析任務做多任務學習，希望模型在找出目標實體的同時，給予目標實體情緒上的評價。實驗結果顯示，在 NER 的結果中 F1 達到 88%，而情緒分析的部分約有 56% 的 F1。