SemEval-2017任务4中的DataStories：基于深度LSTM与注意力机制的消息级及基于主题的情感分析

本文介绍了两个深度学习系统，它们参加了SemEval-2017任务4“推特情感分析”（Sentiment Analysis in Twitter）的竞赛。我们在所有英语推文子任务中均有参与，涵盖消息级情感极性分类与量化，以及基于话题的情感极性分析。我们的方法基于在大规模推文语料上预训练的词嵌入（word embeddings），并在此基础上采用长短期记忆网络（LSTM）结构，辅以两种不同的注意力机制（attention mechanisms）。此外，我们提出了一种适用于社交网络文本的文本处理工具，能够实现分词（tokenization）、词汇规范化（word normalization）、分段（segmentation）以及拼写纠正（spell correction）等功能。值得注意的是，我们的方法不依赖任何手工设计的特征或情感词典。在子任务A（Subtask A）中，我们取得了第一名（并列）的成绩，在其余子任务中也取得了极具竞争力的结果。本文所使用的词嵌入模型及文本处理工具均已向研究社区公开。