Система анализа настроений Senta v1.0

Senta — это система анализа настроений с открытым исходным кодом, разработанная Baidu.

Анализ настроений направлен на автоматическое выявление и извлечение субъективной информации, такой как тенденции, позиции, оценки и мнения, в текстах. Он включает в себя различные задачи, такие как классификация эмоций на уровне предложения, классификация эмоций на уровне объекта оценки, извлечение мнений, классификация эмоций и т. д. Анализ настроений является важным направлением исследований искусственного интеллекта и имеет высокую академическую ценность. В то же время анализ настроений имеет важное применение при принятии потребительских решений, анализе общественного мнения, персонализированных рекомендациях и других областях, а также имеет высокую коммерческую ценность.

Недавно Baidu официально выпустила модель эмоционального предварительного обучения SKEP (Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis). SKEP использует эмоциональные знания для улучшения модели предварительного обучения и превосходит SOTA в 14 типичных задачах анализа настроений на китайском и английском языках. Эта работа была принята ACL 2020.

Чтобы облегчить сотрудникам отдела исследований и разработок и деловым партнерам обмен передовыми технологиями анализа настроений, Baidu открыла исходный код предварительного обучения настроений на основе SKEP, а также модели предварительного обучения настроений на китайском и английском языках в Senta. Более того, чтобы еще больше снизить порог пользователя, Baidu интегрировала инструмент анализа настроений и прогнозирования индустриализации одним щелчком мыши в проект с открытым исходным кодом SKEP. Пользователям нужно всего лишь несколько строк кода для реализации функций эмоционального предварительного обучения и прогнозирования модели на основе SKEP.

СКЭП

SKEP — это алгоритм предварительной тренировки эмоций, основанный на расширении эмоциональных знаний, предложенный исследовательской группой Baidu. Этот алгоритм использует неконтролируемый метод для автоматического извлечения эмоциональных знаний, а затем использует эмоциональные знания для построения цели предварительного обучения, чтобы машина работала. может научиться понимать эмоциональную семантику. SKEP обеспечивает единое и мощное эмоционально-семантическое представление для различных задач анализа настроений.

Исследовательская группа Baidu выполнила три типичные задачи анализа настроений: классификацию настроений на уровне предложений, классификацию настроений на уровне аспектов и маркировку ролей мнений, используя в общей сложности 14 данных на китайском и английском языках. Вышеуказанное дополнительно подтвердило эффект эмоциональной предварительной подготовки. модель СКЭП. Эксперименты показывают, что при использовании общей модели предварительного обучения ERNIE (внутренней) в качестве инициализации SKEP улучшается в среднем примерно на 1,2% по сравнению с ERNIE и улучшается в среднем примерно на 2% по сравнению с исходной SOTA.