Recursive deep models in the context of semantic compositionality on a sentiment treebank

摘要

词向量所构建的语义空间具有重要价值，然而在表达具有逻辑关联的长语句含义方面存在局限性。为了推动诸如情感检测等任务在构成层面的深入理解，亟需更为充足的监督训练数据、完善的评估体系以及高效的模型架构。为应对上述问题，本研究引入了情绪树库，该资源包含11855个句子组成的语法树，并为215154个短语提供了细致的情感标签，同时对情感构成机制提出了新的研究课题，并引入了Recursive Neural Tensor Network模型。通过在新树库上的训练，该模型在多个评估维度上均优于现有方法，使单句情感正负分类准确率由80%提升至85.4%，而对短语级情感标签的预测准确率达到80.7%，较前一年度提高了9.7个百分点。最终，该模型是目前唯一能够有效识别并捕捉不同层级中否定表达及其影响范围的系统，在正面与负面短语分析方面展现出显著优势。

introduction

单一词汇语义词向量空间 通常被用作特征，因其无法准确表达长语句的语义内涵。关于语义空间的构成特性，学界也给予了高度关注。然而，目前缺少大规模带有标注的构成性结构数据集与相关模型，难以有效捕捉此类潜在特征，从而限制了该领域的进一步发展。为应对这一挑战，本文引入了斯坦福情感树库以及性能优越的递归神经张量网络。该网络具