融合动态提示与三维信息的葡萄电商评论细粒度情感分析OA

细粒度情感分析的任务是从评论句子中提取方面词、观点词以及方面词的情感极性。现有的模型仅限于识别句子中明确提到的方面词的情感极性。然而,当方面词未明确提及但相关观点词存在时,现有模型无法识别方面词的情感极性;同时,观点词会蕴含方面词的特征信息,且葡萄电商评论中也存在着领域专有的特征,这些特征并未被现有模型充分利用。为了克服上述限制,该研究提出了一个包含了预训练语言模型BERT(bidirectional encoder representations from transformers)、双层编码层(dual-encoding-layer)、双通道注意力机制(dual-channel-attention)、动态提示层以及CRF(conditional random field)层的细粒度情感分析模型。预训练语言模型BERT作为向量编码嵌入层,而双层编码层由一维卷积层和循环卷积神经网络(recurrent convolutional neural network,RCNN)层组成,负责序列编码。双通道注意力机制结合了标准注意力和线性注意力,用于融合上下文特征向量并进行情感三维信息的递进式传递,从而关联方面词、观点词及其情感极性之间的关系。动态提示层则通过为不同的评论语句构建不同的动态提示模板从而辅助模型理解领域专有的特征。通过在包含18 984条葡萄电商评论数据集上进行试验验证,该研究提出的DMP-BTL-DA(dynamic prompt-based BERT+LSTM-dualchannel attention)模型在中文葡萄电商评论的细粒度情感分析任务中取得了较优的结果,其在方面词提取、观点词提取和情感极性分类上的精确率分别为86.3%、86.4%和83.4%,召回率分别为92.5%、90.1%和89.4%,F1值分别为89.3%、87.3%以及86.3%。此外,研究发现当评论中提及口感、价格、性价比、运输和包装等属性时,这些方面更倾向于与正面情感词共现;而当讨论品质或重量问题时,则更多与负面情感词相关联。综上所述,该研究构建的葡萄电商评论情感分析模型,通过挖掘消费者对各属性的情感倾向,可为农产品电商领域的理论研究和实践优化提供数据支撑。