Sistema de análise de sentimento Senta v1.0

Senta é um sistema de análise de sentimentos de código aberto desenvolvido pela Baidu.

A análise de sentimento visa identificar e extrair automaticamente informações subjetivas como tendências, posicionamentos, avaliações e opiniões nos textos. Inclui uma variedade de tarefas, como classificação de emoções em nível de frase, classificação de emoções em nível de objeto de avaliação, extração de opinião, classificação de emoções, etc. A análise de sentimentos é uma importante direção de pesquisa em inteligência artificial e tem alto valor acadêmico. Ao mesmo tempo, a análise de sentimento tem aplicações importantes na tomada de decisões do consumidor, na análise da opinião pública, nas recomendações personalizadas e em outros campos, e tem alto valor comercial.

Recentemente, o Baidu lançou oficialmente o modelo de pré-treinamento emocional SKEP (Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis). SKEP usa conhecimento emocional para aprimorar o modelo de pré-treinamento e supera SOTA em 14 tarefas típicas de análise de sentimentos em chinês e inglês. Este trabalho foi aceito pelo ACL 2020.

A fim de facilitar que o pessoal de P&D e parceiros de negócios compartilhem tecnologia de análise de sentimento de ponta, o Baidu abriu o código de pré-treinamento de sentimento baseado em SKEP e modelos de pré-treinamento de sentimento em chinês e inglês em Senta. Além disso, a fim de reduzir ainda mais o limite do usuário, o Baidu integrou uma ferramenta de análise e previsão de sentimentos com um clique para industrialização no projeto de código aberto SKEP. Os usuários precisam apenas de algumas linhas de código para implementar pré-treinamento emocional baseado em SKEP e funções de previsão de modelo.

SKEP

SKEP é um algoritmo de pré-treinamento emocional baseado no aprimoramento do conhecimento emocional proposto pela equipe de pesquisa do Baidu. Este algoritmo usa um método não supervisionado para extrair automaticamente o conhecimento emocional e, em seguida, usa o conhecimento emocional para construir um alvo de pré-treinamento, para que a máquina. pode aprender a compreender a semântica emocional. SKEP fornece uma representação semântica emocional unificada e poderosa para várias tarefas de análise de sentimento.

A equipe de pesquisa do Baidu realizou três tarefas típicas de análise de sentimento: classificação de sentimento em nível de frase, classificação de sentimento em nível de aspecto e rotulagem de papel de opinião, com um total de 14 dados em chinês e inglês. modelo SKEP. Experimentos mostram que usando o modelo geral de pré-treinamento ERNIE (interno) como inicialização, o SKEP melhora em média cerca de 1,2% em comparação com o ERNIE e melhora em média cerca de 2% em comparação com o SOTA original.