背景介绍
众所周知，人类自然语言中包含了丰富的情感色彩：表达人的情绪（如悲伤、快乐）、表达人的心情（如倦怠、忧郁）、表达人的喜好（如喜欢、讨厌）、表达人的个性特征和表达人的立场等等。情感分析在商品喜好、消费决策、舆情分析等场景中均有应用。利用机器自动分析这些情感倾向，不但有助于帮助企业了解消费者对其产品的感受，为产品改进提供依据；同时还有助于企业分析商业伙伴们的态度，以便更好地进行商业决策。
被人们所熟知的情感分析任务是将一段文本分类，如分为情感极性为正向、负向、其他的三分类问题：
情感分析任务正向：表示正面积极的情感，如高兴，幸福，惊喜，期待等。负向：表示负面消极的情感，如难过，伤心，愤怒，惊恐等。其他：其他类型的情感。实际上，以上熟悉的情感分析任务是句子级情感分析任务。
情感分析预训练模型SKEP
近年来，大量的研究表明基于大型语料库的预训练模型（PretrainedModels,PTM）可以学习通用的语言表示，有利于下游NLP任务，同时能够避免从零开始训练模型。随着计算能力的发展，深度模型的出现（即Transformer）和训练技巧的增强使得PTM不断发展，由浅变深。
情感预训练模型SKEP（SentimentKnowledgeEnhancedPre-trainingforSentimentAnalysis）。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ACL00录用。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。
论文