融合多种知识源的面向目标的方面级金融情感分析

随着人工智能研究任务日益复杂，对系统理解能力的要求不断提高，符号化方法与非符号化方法的融合已成为一种极具前景的策略。目标方面金融情感分析（Targeted Aspect-based Financial Sentiment Analysis, TABFSA）即为这类复杂任务的典型代表，其涉及信息抽取、目标细化以及领域适应等多个环节。尽管外部知识在通用情感分析中已被证明具有显著价值，但在金融领域尚未得到充分应用。然而，当前最先进的金融情感分析（Financial Sentiment Analysis, FSA）模型普遍忽视了外部知识的重要性。为弥补这一空白，本文提出采用注意力机制引导的卷积神经网络（CNN）与长短期记忆网络（LSTM），在预训练语言模型的微调过程中，有策略地融合多种外部知识源，以提升TABFSA性能。在FiQA Task 1与SemEval 2017 Task 5数据集上的实验结果表明，引入外部知识的模型系统性地优于纯深度学习基线模型，部分模型在方面情感分析误差指标上甚至超越了现有最先进水平。