推荐一个基于百度SKEP的情绪分析系统！

3,468 views

阅读模式

IT老五：情感分析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：https://arxiv.org/abs/2005.05635

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Senta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