it老五：是一个优秀社交系统中必不可少的模块，老五最近在github上看到一款百度开源基于skep的情感预训练代码和中英情感预训练模型。而且，为了进一步降低用户的使用门槛，百度在skep开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于skep的情感预训练以及模型预测功能。
简介
情感分析旨在自动识别和提取文本中的倾向、立场、评价、观点等主观信息。它包含各式各样的任务，比如句子级情感分类、评价对象级情感分类、观点抽取、情绪分类等。情感分析是人工智能的重要研究方向，具有很高的学术价值。同时，情感分析在消费决策、舆情分析、个性化推荐等领域均有重要的应用，具有很高的商业价值。
近日，百度正式发布情感预训练模型skep（sentiment knowledge enhanced pre-training for sentiment analysis）。skep利用情感知识增强预训练模型， 在14项中英情感分析典型任务上全面超越sota，此工作已经被acl 2020录用。
论文地址：
为了方便研发人员和商业合作伙伴共享效果领先的情感分析技术，本次百度在中开源了基于skep的情感预训练代码和中英情感预训练模型。而且，为了进一步降低用户的使用门槛，百度在skep开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于skep的情感预训练以及模型预测功能。
skep
skep是百度研究团队提出的基于情感知识增强的情感预训练算法，此算法采用无监督方法自动挖掘情感知识，然后利用情感知识构建预训练目标，从而让机器学会理解情感语义。skep为各类情感分析任务提供统一且强大的情感语义表示。
百度研究团队在三个典型情感分析任务，句子级情感分类（sentence-level sentiment classification），评价对象级情感分类（aspect-level sentiment classification）、观点抽取（opinion role labeling），共计14个中英文数据上进一步验证了情感预训练模型skep的效果。实验表明，以通用预训练模型ernie（内部版本）作为初始化，skep相比ernie平均提升约1.2%，并且较原sota平均提升约2%，具体效果如下表：
| 任务 | 数据集合 | 语言 | 指标 | 原sota | skep |
| 句子级情感 分类 | sst-2 | 英文 | acc | 97.50 | 97.60 |
| amazon-2 | 英文 | acc | 97.37 | 97.61 | |
| chnsenticorp | 中文 | acc | 95.80 | 96.50 | |
| nlpcc2014-sc | 中文 | acc | 78.72 | 83.53 | |
| 评价对象级的 情感分类 | sem-l | 英文 | acc | 81.35 | 81.62 |
| sem-r | 英文 | acc | 87.89 | 88.36 | |
| ai-challenge | 中文 | f1 | 72.87 | 72.90 | |
| se-absa16_phns | 中文 | acc | 79.58 | 82.91 | |
| se-absa16_came | 中文 | acc | 87.11 | 90.06 | |
| 观点 抽取 | mpqa-h | 英文 | b-f1/p-f1 | 83.67/77.12 | 86.32/81.11 |
| mpqa-t | 英文 | b-f1/p-f1 | 81.59/73.16 | 83.67/77.53 | |
| cote_bd | 中文 | f1 | 82.17 | 84.50 | |
| cote_mfw | 中文 | f1 | 86.18 | 87.90 | |
| cote_dp | 中文 | f1 | 84.33 | 86.30 |
代码结构
. ├── readme.md ├── requirements.txt ├── senta # senta核心代码，包括模型、输出reader、分词方法等 ├── script # 情感分析各任务入口启动脚本，通过调用配置文件完成模型的训练和预测 ├── config # 任务配置文件目录，在配置文件中设定模型的方法、超参数、数据等
项目地址
github地址：https://github.com/baidu/.git
湖北省武汉市 1f
发表评论