NLP情绪检测-模型无法学会识别否定

Question

我正在做一个nlp情绪检测项目。我试图预测的情绪是“喜悦”、“恐惧”、“愤怒”、“悲伤”。我使用一些公开可用的标记数据集来训练我的模型，例如ISEAR、WASSA等。我尝试了以下方法：

1. 传统的ML使用的是大图和三角图。
2. (X)文本->嵌入(W2V预训维基百科文章) ->深层网络( -> 1D) ->完全连接(密集) ->输出层(Softmax) ->情感类(Y)
3. 具有以下体系结构的LSTM：(X)文本->嵌入(W2V对维基百科文章进行了预培训) ->深层网络( -> /GRU) ->完全连接(密集) ->输出层(Softmax) ->情感类(Y)

神经网络模型的准确率达到了80%以上，但当我使用训练后的模型对文本中包含一些否定的情绪进行预测时，仍然会得到错误的结果。例如：

文字：“我很高兴与轻松的喷气式飞机，这是一个伟大的公司！

预测快乐

文字:我对easyjet #unhappy_customer不满意

预测快乐

对于如何克服这个问题，有什么建议吗？

Answer 1

一般来说，这是一个困难的问题，它是关于自然语言理解的问题，这个问题还远远没有得到解决。

高级选项需要完整的句法分析语句，理想情况下，后面是句子的某种语义表示，例如提取关系。据我所知，这是很少使用的，因为这些步骤经常会导致许多错误，因为它们解决了很多错误。

可以考虑一些更合理的启发式方法，例如检测特定的否定词，或者将此信息作为特征，或者相应地修改原始特征(例如，当检测到否定时，将标记“愉快”替换为“不(高兴)”。

注意，由于通常的障碍，它不太可能是完美的：套期保值 (“我认为它很好”)，讽刺(当然，我对糟糕的服务很满意)，隐喻(“我感觉像水中的鱼”)等等。