Deep Convolutional Neural Networks for Sentiment Analysis of ShortTexts

基于深度卷积神经网络的短文本情感分析

Abstract

Sentiment analysisof short texts such as single sentences and Twitter messages is challengingbecause of the limited contextual information that they normally contain.Effectively solving this task requires strategies that combine the small textcontent with prior knowledge and use more than just bag-of-words. In this workwe propose a new deep convolutional neural network that exploits fromcharacter- to sentence-level information to perform sentiment analysis of shorttexts. We apply our approach for two corpora of two different domains: theStanford Sentiment Treebank (SSTb), which contains sentences from moviereviews; and the Stanford Twitter Sentiment corpus (STS), which containsTwitter messages. For the SSTb corpus, our approach achieves state-of-the-artresults for single sentence sentiment prediction in both binarypositive/negative classification, with 85.7% accuracy, and fine-grainedclassification, with 48.3% accuracy. For the STS corpus, our approach achievesa sentiment prediction accuracy of 86.4%.

短文本的情感分析，例如句子或twitter消息，是一项挑战性的工作因为他们缺少上下文信息。有效解决这个任务需要将短小的文本内容和先验只是以及使用比词袋子更多的知识。本文中我们提出了一个心得深度卷积神经网络开发从字到句子级别的信息来对短文本情感分析。我们应用我们的方法到两个不同的领域的两个数据集：Standford情感树库（SSTb），该库包含了电影评论句子；以及斯坦福Twitter情感库（STS），该数据库包含了Twitter消息。对SSTb数据集，我们的方法在单个句子情感预测上达到了二项正面/负面分类的最好的结果，有85.7%的准确率，而且有细腻的分类，有48.3%的准确率。对STS数据集，我们的方法实现了86.4%的情感预测准确率。

本文是发表在COLING 2014上的一片文章。COLING是计算语言学的重要会议。我觉得这篇文章属于中规中矩的会议论文，提出问题，指出问题的关键点在哪儿（分析问题），然后解决问题。当然，我说他还是有点差劲的原因是，他自己提出这个方法，但是对这个方法的分析和解释不够，为什么这个方法能在这些数据集上有很好的表现？你用到的方法为什么可以解决现存的挑战和问题。这些都需要作者细致地思考和解释。当然，能达到这个最好的性能这一目标已经值得鼓励。