文本情感分析，即SentimentAnalysis（SA），又称意见挖掘或情绪倾向性分析。针对通用场景下带有主观描述的中文文本，自动判断该文本的情感极性类别并给出相应的置信度，情感极性分为积极、消极、中性等。
在文本分析的基础上，也衍生出了一系列细粒度的情感分析任务，如：
核心目标和价值
舆情系统的最核心需求，是能够精准及时的为客户甄别和推送负面，负面识别的准确性直接影响信息推送和客户体验，其中基于文本的情感分析在舆情分析中的重要性不言而喻，下图简要展示了文本分析以及情感分析在舆情体系中的作用。
舆情数据通过底层的大数据采集系统，流入中间层的ETL数据处理平台，经过初级的数据处理转化之后，向上进入数据挖掘核心处理环节；此阶段进行数据标准化、文本深度分析，如地域识别、智能分词、情感判定、垃圾过滤等，经过文本处理的结果，即脱离了原始数据的状态，具备了客户属性，基于客户定制的监测和预警规则，信息将在下一阶段实时的推送给终端客户，负面判定的准确度、召回率，直接影响客户的服务体验和服务认可度。
难点与挑战
舆情业务中的情感分析难点，主要体现在以下几个方面:
1.舆情的客户群体是复杂多样的，涉及行业多达24个（如下图所示），不同行业数据特点或敏感判定方案不尽相同，靠一个模型难以解决所有问题；
3.客户对情感的诉求是有差异的，有些客户会有自己专属的判定条件。通用的情感模型难以适应所有客户的情感需求。
6.对于新闻类数据,通常存在标题和正文两个文本域。如何提取有价值的文本信息作为模型输入也是面临的困难。
二、
情感分析在百分点舆情的发展历程
从2015年开始，百分点舆情便开始将机器学习模型应用在早期的负面判定中；到2020年，我们已经将深度迁移学习场景化和规模化，也取得了不错的成果；
2016年：主要侧重于技术上的递进，进入深度学习领域。引入word2vec在大规模语料集上进行训练，获得具有更好语义信息的词向量表示，替代基于Tfidf等传统的统计特征。随后在TextCnn、TextRnn等深度学习算法进行更新迭代，尽管得到数字指标的提高，但是对于实际业务的帮助还是不足。
2017年：结合舆情全业务特点，需要能做到针对品牌、主体的情感监测。提出SyntaxandRuler-basedDocsentimentanalysis的方式,依据可扩充的句法规则以及敏感词库进行特定的分析。该方式在敏感精准度指标上是有提升的，但是却有较低的召回。同时在进行规则扩充时，也比较繁琐。
2019年上半年：以Bert为代表的迁移学习诞生，并且可以在下游进行fine-tune,使用较小的训练数据集,便能取得不错的成绩。进行以舆情业务数据为基础，构建一个简易的文本平台标注平台，在其上进行训练数据的标注，构建了一个通用的情感模型分类器。评测指标F1值为0.87，后续对ERNIE1.0进行尝试,有两个百分点的提升。
2019年下半年：主要从舆情的业务问题入手，通过优化提取更加精准、贴近业务的情感摘要作为模型输入,使用定制化模型以及多模型融合方案，联合对数据进行情感打标。并提出基于情感实体(主体)的负面信息监测,下述统称ATSA(aspect-termsentimentanalysis)，使用Bert-SentencePair的训练方式，将摘要文本、实体联合输入，进行实体的情感倾向性判定。在定点客户上取得不错的成绩，最后的F1值能达到0.95。
2020年：将细化领域做到客户级别，定制私有化情感模型。同时将加大对特定实体的细粒度情感分析(ATSA)的优化；同时，通过内部AI训练平台的规模化应用，做到模型的全生命周期管理，简化操作流程，加强对底层算力平台的资源管控。
三、
预训练语言模型与技术解析
下图大致概括了语言模型的发展状况（未完全统计）：
在2019年度情感分析实践中，率先使用预训练语言模型Bert，提高了情感分析的准确率。后来具有更小参数量的ALBERT的提出,使生产环境定制化情感模型成为可能。这里就主要介绍BERT以及ALBERT。
BERT
BERT（BidirectionalEncoderRepresentationsfromTransformerss）的全称是基于Transformer的双向编码器表征，其中「双向」表示模型在处理某一个词时，它能同时利用前面的词和后面的词两部分信息（如下图所示）。
在BERT中,主要是以两种预训练的方式来建立语言模型。
1.MLM(MaskedLM)
MLM可以理解为完形填空，作者会随机mask每一个句子中15%的词，用其上下文来做预测，例如：mydogishairy→mydogis[MASK]。此处将hairy进行了mask处理，然后采用非监督学习的方法预测mask位置的词是什么，具体处理如下：
之后让模型预测和还原被遮盖掉或替换掉的部分。
2.NSP(NextSentencePrediction)
首先我们拿到属于上下文的一对句子，也就是两个句子，之后我们要在这两段连续的句子里面加一些特殊token:[cls]上一句话，[sep]下一句话.[sep]
也就是在句子开头加一个[cls]，在两句话之中和句末加[sep]，具体地就像下图一样:
ALBERT
ALBERT的全称是ALiteBERTforSelf-supervisedLearningofLanguageRepresentations（用于语言表征自监督学习的轻量级BERT），相对于Bert而言，在保证参数量小的情况下,也能保持较高的性能。当然同样的模型还有DistilBERT、TinyBERT。
1.ALBERT和BERT的比较
下图是BERT和ALBERT在训练速度和性能上的整体比较：
2.ALBERT的目标
在基于预训练语言模型表征时，增加模型大小一般可以提升模型在下游任务中的性能。但是通过增加模型大小会带来以下问题:
在将Bert-large的隐层单元数增加一倍，Bert-xlarge在基准测试上准确率显著降低。
ALBERT核心目标就是解决上述问题，下面就来介绍ALBERT在精简参上的优化。
3.ALBERT模型优化
明确参数的分布，对于有效可靠的减少模型参数十分有帮助。ALBERT同样也只使用到Transformer的Encoder阶段，如下图所示：
图中标明的蓝色方框和红色方框为主要的参数分布区域：
>E，所以ALBERT的词向量的维度是小于encoder输出值维度的。在NLP任务中，通常词典都会很大，embeddingmatrix的大小是E×V。\nALBERT采用了一种因式分解(Factorizedembeddingparameterization)的方法来降低参数量。首先把one-hot向量映射到一个低维度的空间，大小为E，然后再映射到一个高维度的空间，当E<
具体参数优化如下：
Factorizedembeddingparameterization(对Embedding因式分解)
ALBERT认为，tokenembedding是没有上下文依赖的表述，而隐藏层的输出值不仅包括了词本身的意思还包括一些上下文信息，因此应该让H>>E，所以ALBERT的词向量的维度是小于encoder输出值维度的。在NLP任务中，通常词典都会很大，embeddingmatrix的大小是E×V。
ALBERT采用了一种因式分解(Factorizedembeddingparameterization)的方法来降低参数量。首先把one-hot向量映射到一个低维度的空间，大小为E，然后再映射到一个高维度的空间，当E<
可以看到，经过因式分解。参数量从O(V*H)变为O(V*E+E*H)，参数量将极大减小。如下图所示：在H=768条件下，对比E=128和E=768,参数量减少17%，而整体性能下降0.6%。
在后续的实验环境(所有的优化汇总后),对embeddingsize的大小进行评估,得出在E=128时，性能达到最佳。
Cross-layerparametersharing(跨层参数共享)
下图是对BERT-BaseAttention分布的可视化。对于一个随机选择的句子，我们可视化来自不同Layer的Head的Attention分布。可以看到，底层的Attention分布类似于顶层的Attention分布。这一事实表明在某种程度上，它们的功能是相似的。
在经过上述的参数优化后，整体参数量有了极大的缩减，训练速度也极大加快。后续作者又在模型变宽和模型变深上做了几组实验。如下：
模型变宽
当我们增加H大小时，性能会逐渐提高。在H=6144时，性能明显下降。如下图所示：
模型变深
在以ALBERT-large为基础参数，设置不同的layer大小，发现layer=48的性能要差于layer=24的性能，如下图所示：
一些实验表示NSP(BERT-style)非但没有作用，反而会对模型带来一些损害。作者接着提出SOP(ALBERT-style)的优化模式。具体如下：
Inter-sentencecoherenceloss(句子连贯性)
在后续的实验中，ALBERT在训练了100w步之后，模型依旧没有过拟合，于是乎作者果断移除了dropout，没想到对下游任务的效果竟然有一定的提升。
当然作者对于增加训练数据和训练时长也做了详尽的对比和测试，这里不再进行描述。
在最初的ALBERT发布时,是只有中文的。感谢数据工程师徐亮以及所在的团队，于2019年10月，开源了首个中文预训练的中文版ALBERT模型。
项目地址：
四、
情感分析在舆情的应用实践
业务调研
2019上半年，舆情服务的整体情感判定框架已经迁移到以Bert训练为基础的情感模型上,得出的测试指标F1值为0.86，相较于旧版模型提升显著;但是虽然数据指标提升明显，业务端实际感受却并不明显。因此我们对代表性客户进行采样调查,辅助我们找出生产指标和实验室指标差异所在。同时针对上文提到的关于舆情业务中情感分析的痛点和难点，进行一次深度业务调研：
1.客户情感满意度调查
2.文本作用域(模型输入文本选择)调研
这里将文本作用域分为以下几个层次,分布情况如下图所示:
3.情感判定因素
这里对判定因素做以下介绍：
我们针对上述调研结果进行详尽分析，最终确定走情感细粒度模型的道路。
情感分析的落地实践
精简版本的情感架构概览如下：
接下来会基于此进行讲述,大致分为如下几个层次：
1.输入层
这里主要是获取相应文本输入，以及客户的文本作用域规则和检索词、主体词,供下游的文本作用域生成提供对应的条件。
2.文本作用域
进行对比分析(客户名称已脱敏),每个客户的情感摘要和文本标题效果依次展示。如下图所示：
可以发现整体效果是有极大提升的。但是也可以看到部分客户的敏感精准率是偏低的,这个和客户的敏感分布有关,大部分的敏感占比只有总数据量的10%~20%,有些甚至更加低。所以面临一个新的问题,如何提升非均匀分布的敏感精准度。这个会在下文进行陈述。
4.模型层
在19年初,使用Bert-Base(12L,768H)进行fine-tune,得到如下指标:情感准确性:0.866,敏感精准率:0.88,敏感召回:0.84,F1:0.867;后来在ERNIE1.0上进行尝试,情感准确性能提升2个百分点。不过因为PaddlePaddle的生态问题，没有选择ERNIE。这是一个符合自然语义的情感模型,但是对于舆情客户来说,这还远远不够。
对生产环境的埋点日志分析，发现客户存在大量的屏蔽操作。选取近一个月屏蔽最多的10个话题进行分析，如下图所示：
客户名称
准确率
正样本数量
负样本数量
C1
0.95
619
1141
收藏、屏蔽数据
C2
0.97
5085
5244
C3
0.93
450
C4
0.94
136
487
5.ATSA-面向情感实体的情感倾向性分析
ATSA(aspect-termsentimentanalysis)要解决就是在特定情感实体下的情感倾向性判定问题。这里主要借鉴《UtilizingBERTforAspect-BasedSentimentAnalysisviaConstructingAuxiliarySentence》文中的思想。这个工作做得非常聪明，它把本来情感计算的常规的单句分类问题，通过加入辅助句子，改造成了句子对匹配任务。很多实验证明了：BERT是特别适合做句子对匹配类的工作的，所以这种转换无疑能更充分地发挥BERT的应用优势。
舆情中要解决的问题如下：
A公司和B公司的情感倾向性是非敏感的,而C公司却是敏感的。要解决这个问题，要面临两个问题:
在舆情的业务场景中,可以简化问题,由于情感实体是提前给定的,所以不需要做实体识别和信息抽取,只需要对特定实体的情感倾向性进行判定。整体流程如下:
主要是利用BertSentence-Pair,文本与实体联合训练,得到输出标签。目前实验证明，经过这种问题转换，在保证召回率提升的情况下，准确率和精准率都得到了提高。选取一个客户进行对比测试，如下所示:
实验条件
实验方式
精准率
召回率
F1
按照自然日采样，测试样本为912条,其中敏感数据108条
ATSA
0.8
0.85
0.82
情感摘要
0.84
0.4
0.7
0.51
上述是一个正负样本及其不均匀的情况,增加敏感精准率将提高客户的满意度。目前的实现的机制还略显简单，未来还将持续投入。
6.情感规则引擎
在部分客户场景中,他们的业务规则是明确的或者是可穷举的。这里会做一些长尾词挖掘、情感新词发现等工作来进行辅助,同时要支持实时的干预机制，快速响应。比如某些客户的官方微博经常会发很多微博，他们会要求都判定成非敏感。这里不再做过多介绍。
五、
长期规划
AI训练平台的构建
软件开发领域和模型开发领域的流程是不同的，如下所示：
持续学习，增量迭代
随着舆情客户对系统的深度使用，一般会有情感标签的人工纠正。所以需要保证模型可以进行增量迭代，减少客户的负反馈。
多实体的情感倾向分析
对包含有多个实体信息的文本，针对每一个系统识别到的实体，做自动情感倾向性判断（敏感、非敏感），并给出相应的置信度，包括实体库的构建。
提升垂直类情感情感分析效果
在垂类上（App、餐饮、酒店等）情感倾向性分析准确率上加大优化力度。
随着舆情业务的发展，各领域客户都沉淀了大量与业务贴近的优质数据，如何有效使用这些数据，形成情感效果联动反馈机制，为业务赋能，是情感分析领域面临的新的挑战。在2019年的实践中，通过场景化的情感分析框架落地应用，对情感效果做到了模型定制化干预，真正提高了客户满意度。这种机制具有整体精度高、定制能力强、业务感知明显的特点。在后续工作中，将以模型训练自动化与人工反馈相结合的方式，将模型定制能力规模化、平台化，实现情感分析在舆情场景下千人千面的效果。
百分点舆情洞察系统
百分点舆情洞察系统（MediaForce）是一款沉淀多年的互联网公开舆情SAAS分析系统，覆盖全网主流资讯站点及社交媒体的公开数据，帮助企业迅速发现舆情热点，掌握负面和舆论动向，为上万客户提供精准的舆情分析服务。