Sentiment Analysis at SEPLN (TASS)-2019: Sentiment Analysis at Tweet Level Using Deep Learning

Abstract

本文描述了Sentiment Analysis at SEPLN (TASS)-2019这个任务的系统，这个任务包括对西班牙语tweet进行情感分析，这些tweet包含了使用不同西班牙语的方言。tweet比较短，在240个词之内并且语言已经告知，情感分析需要分成4类，Positive，Negative，Neutral，None。使用LSTM来完成这项任务。

Introduction

情绪分析(SA)是指使用自然语言处理(NLP)系统地识别、提取、量化、和研究情绪状态和主观信息。Sentiment Analysis at SEPLN (TASS)-2019的情绪分析是一项分类任务，需要根据情绪将西班牙语推文分为各类，Positive，Negative，Neutral，None。进一步可以分为两个子任务：

• 单语言任务
• 交叉语言任务

一些困难：tweet缺乏上下文，单词少于240，包含非正式语言，并包含多种语言。

使用双向LSTM。

Data

介绍一下数据集

Methodology

数据处理：数据清洗

把每条tweet转为one-hot向量

• 统计西班牙语中的消极、积极、中立的单词
• 统计英语中消极、积极、中立的单词
• tweet的主观得分
• tweet上问号，句号数

使用基于双向LSTM的方法和包含初始和正则组成的attention层来双向捕获上下文信息。

首先，手动特征向量与将处理的推文转换为单热编码后获得的特征向量相加。然后通过Embedding层，转换维128长度的向量，然后输入Batch Normalization层，维度变为10 X 128。接下来是一个包含128个单元的双向LSTM层，包含设置为0.4的dropout和regluar dropout。激活函数使用Sigmoid，接下来是一个64个单元的双向的CuDNN-LSTM层，最后经过softmax输出。

总结：没啥亮点，准确率还很低。。。。