面向课程评论的方面级情感分析方法研究及应用.pdfVIP

摘要

随着网络技术的迅速发展，互联网已经深入到各个领域，其中“互联网+教

育”模式成为了在线教育发展的重要趋势。伴随着线上教学的兴起，越来越多的

学习者选择在线课程平台进行学习，从而产生了海量的课程评论文本数据。这些

评论文本包含了学习者对于在线课程的情感体验和评价，以及对于不同知识点的

掌握情况等关键信息，为在线教育领域的发展和教育者的教学实践提供了重要的

参考价值。因此，对于在线课程评论文本进行情感分析已经成为一个越来越重要

的研究领域。方面级情感分析是指从文本中提取具体方面词，再针对每个方面词

进行情感分析。在课程评论文本中，相较于句子级情感分析，方面级情感分析能

够更精准地分析出文本中每个方面的情感倾向，从而更加准确地了解学习者对不

同方面的情感反应，有助于更好地把握学生的学习需求和诉求。本文以自建的课

程评论文本数据集和公开数据集为数据基础，利用深度学习技术，开展了方面级

情感分析研究。该研究包含了两个子任务，即方面词提取和方面级情感分类。具

体研究工作如下：

（1）由于极其耗时耗力的标注成本，当前公开可用的方面词提取任务数据

集相对较少，从而影响了神经网络模型的有效训练。为了缓解这一问题，有研究

者使用领域自适应方法，并通过方面词和意见词之间的共同句法关系来弥补不同

领域之间的差距，但这高度依赖于外部语言资源。针对上述问题，本文提出了一

种基于双记忆交互网络的领域自适应方面词提取方法。该方法从源域中的丰富数

据中提取出粗粒度的方面类别，然后将方面类别应用到目标域中的细粒度方面词

提取任务中，以提高细粒度方面词提取任务的表现。为了缓解领域间粒度不一致

和特征不匹配问题，通过双记忆交互网络将每个单词的局部记忆与全局方面词和

方面类别记忆进行交互，不断迭代获得每个单词的相关向量，从而得到方面词与

方面类别之间的相互联系，以及方面词和方面类别本身之间的内部相关性。最后，

在三个公开数据集和构建的课程评论真实数据集上进行实验，实验结果表明，与

跨领域方面词提取任务上的多个先进的模型相比，本文所提模型的性能最优。

（2）现有的大多数研究者使用循环神经网络与注意力机制相结合的方法进

行方面级情感分类任务。然而，循环神经网络不能并行计算，并且传统的注意力

机制可能会给句子中重要情感词分配较低的注意力权重，无法充分获取和融合方

面词与上下文之间的交互信息。针对上述问题，本文提出了一种融合Transformer

II

和交互注意力网络的方面级情感分类模型。首先，利用BERT预训练模型来初始

化单词的嵌入向量，然后使用Transformer编码层和交互注意力层来生成句子的

隐藏表示。在Transformer编码层中，使用Transformer编码器对输入的句子进行

并行编码，减少了模型训练时间，并保持长距离情感关系。在交互注意力层中，

根据句子的句法结构和单词之间的语法距离，融入CDM和CDW机制来关注与

特定方面词有重要语义关系的局部上下文信息，降低了其他噪声单词的影响。最

后，在九个公开数据集和构建的课程评论真实数据集上进行实验，实验结果表明，

与方面级情感分类任务上的多个先进模型相比，本文所提模型在更短的训练时间

内取得了最好的分类效果。

（3）设计并实现了一个面向课程评论的方面级情感分析个性化自适应学习

系统。该系统基于提出的方面词提取算法和方面级情感分类算法，通过了解学习

者在评论文本上对课程知识点的情感倾向，可以精准分析学习者在不同知识点上

的掌握情况。

关键词：课程评论；方面词提取；领域自适应；双记忆交互网络；方面级情感分

类；循环神经网络；Transformer；交互注意力网络

III

Abstract

WiththerapiddevelopmentofInternettechnology,theInternethaspenetratedinto

variousfields,andtheInternet+educationmodelhasbecomeanimportanttrendin

thedevelopmentofonlineeducation.Alongwiththeri