基于对抗学习的自适应加权方面级情感分类算法

方面级情感分类是自然语言处理研究领域的一个热点问题，旨在分类出文本中不同方面的情感.目前，大多数深度神经网络情感分类模型都采用均值注意力机制，这导致情感词不能有效获得相应权重的问题.为此，提出一种基于对抗学习的自适应加权方面级情感分类模型AWSCM(Adaptive Weighted aspect-level Sentiment Classification Model based on adversarial learning),旨在自适应地学习文本权重.首先，将训练文本预处理成方面词、句子、句子对形式的输入，通过BERT对输入编码.然后，通过对抗学习算法和训练文本计算扰动生成对抗样本.最后，通过注意力机制提取训练文本和对抗样本编码后的深层文本特征和自适应权重，再进行联合学习.实验结果表明，和大多数深度神经网络情感分类模型相比，AWSCM能提升情感分类的准确性.同时，通过消融实验，证明了AWSCM结构设计的合理性.