情感分析处理-学习paddle_paddlehub 情感分析三分类-CSDN博客

本文链接：https://blog.csdn.net/u013086392/article/details/123205834

本文探讨了情感分析的三个主要任务：文章情感分类、句子级情感分类和评价对象级情感分类，并介绍了序列标注模型的概念，如BIO标签体系。此外，还提到了命名实体识别在NLP中的重要性及其常用解决方案，如LSTM/GRU+CRF和预训练模型。SKEP模型则用于自动挖掘情感知识，通过多任务学习来增强情感表示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

情感分析分为三个经典任务
文章情感分类
句子级情感分类（Sentence-level Sentiment Classification）、
评价对象级情感分类（Aspect-level Sentiment Classification）、
什么是序列标注模型：
1.输入输出都是序列，以字为单位
2.输入、输出序列一一对应
3.分类问题的一种推广，一种结构化的分类

 BIO 的序列标注体系进行了标签的拓展：
 B-Aspect, I-Aspect, B-Opinion, I-Opinion, O，其中前两者用于标注评论属性，后两者用于标注评论观点。

命名实体识别是NLP中一项非常基础的任务，是信息提取、问答系统、句法分析、机器翻译等众多NLP任务的重要基础工具。命名实体识别的准确度，决定了下游任务的效果，是NLP中的一个基础问题。在NER任务提供了两种解决方案，一类LSTM/GRU + CRF，通过RNN类的模型来抽取底层文本的信息，而CRF(条件随机场)模型来学习底层Token之间的联系；另外一类是通过预训练模型，例如ERNIE，BERT模型，直接来预测Token的标签信息。

SKEP 运行
1.基于统计方法从大量无标记数据中自动挖掘情感知识，包括情感词以及观点搭配构成的二元组
2.SKEP 对原始输入句子中的部分词语进行屏蔽（Mask）
3.SKEP 设计了三个情感优化目标
	3.1 要求模型复原被屏蔽的情感信息，包括：基于多标签优化的观点搭配预测
	3.2 情感词预测
	3.3 情感极性分类
4.通过面向情感的优化目标进行预训练，自动挖掘的情感知识就被有效地嵌入到模型的语义表示中，最终形成面向情感的语义表示