Ein wissensoptimierter hierarchischer Ansatz für die Emotionsursachenanalyse

Die Emotionsursachenanalyse, die darauf abzielt, die Gründe hinter Emotionen zu identifizieren, ist ein zentrales Thema in der Sentimentanalyse. In jüngster Zeit wurden diverse neuronale Netzwerkmodelle vorgeschlagen; diese bisherigen Ansätze konzentrieren sich jedoch hauptsächlich auf Lernarchitekturen, die lokale Textinformationen nutzen, und ignorieren dabei Diskurskontext und vorherige Wissensbasis, die für das menschliche Textverständnis von entscheidender Bedeutung sind. In diesem Beitrag präsentieren wir eine neue Methode zur Extraktion von Emotionsursachen mittels eines hierarchischen neuronalen Modells und wissensbasiertem Regularisierungsansatzes. Ziel ist es, Diskurskontextinformationen zu integrieren und die Modellparameter durch eine Sentiment-Lexikon- und Allgemeinwissensbasierte Regularisierung zu beschränken. Die experimentellen Ergebnisse zeigen, dass unsere vorgeschlagene Methode auf zwei öffentlichen Datensätzen in unterschiedlichen Sprachen (Chinesisch und Englisch) die derzeit beste Leistung erzielt und mehrere konkurrierende Baselines mindestens um 2,08 % im F-Maß übertrifft.