循环神经网络（RNN）在情感分析中如何处理否定表达？

在情感分析任务中，像"The movie is not good."这类含否定词的句子会直接反转情感倾向，但词嵌入+简单平均的模型无法妥善处理这类情况——它会通过平均否定词与情感词的得分，导致情感判断错误。

词嵌入平均模型的局限示例 #

无否定表达场景 #

先看不含否定词的句子：

• "The movie is good."
• "The movie is awesome."
• "The movie is terrible."

假设词嵌入仅包含情感维度（数值越大情感越积极）：

• 积极情感词：good = [10]，awesome = [12]
• 消极情感词：terrible = [-10]
• 中性词：the = [0]，movie = [0]，is = [0]

全局平均的结果符合预期：

• "The movie is good"：平均([0, 0, 0, 10]) = 2.5（积极）
• "The movie is awesome"：平均([0, 0, 0, 12]) = 3（积极）
• "The movie is terrible"：平均([0, 0, 0, -10]) = -2.5（消极）

含否定表达场景 #

再看带否定词的句子：

• "The movie is not good."
• "The movie is not bad."

新增否定词嵌入：not = [-5]，bad = [-9]

简单平均的结果完全错误：

• "The movie is not good"：平均([0, 0, 0, -5, 10]) = 1（误判为积极）
• "The movie is not bad"：平均([0,0,0,-5,-9]) = -2.8（误判为消极）

LSTM如何处理否定表达：时序依赖与记忆单元的作用 #

LSTM通过循环连接的记忆单元和门控机制，能够捕获否定词与后续情感词的时序关联，从而正确反转情感倾向。下面用简化的数值示例演示核心逻辑：

基础设定 #

我们用单维度的细胞状态（存储情感上下文）和隐藏状态（输出情感倾向），初始状态均为0；简化门控逻辑为：

• 中性词输入时，细胞状态保持不变
• 输入否定词not时，细胞状态写入否定标记（设为-1）
• 输入情感词时，若细胞状态为否定标记，则将情感值取反，随后重置细胞状态为0；否则直接保留情感值

处理"The movie is not good." #

按词序列逐个输入：

1. 输入the（嵌入[0]）：细胞状态C₁=0，隐藏状态h₁=0（无情感信息）
2. 输入movie（嵌入[0]）：细胞状态C₂=0，隐藏状态h₂=0（无情感信息）
3. 输入is（嵌入[0]）：细胞状态C₃=0，隐藏状态h₃=0（无情感信息）
4. 输入not（嵌入[-5]）：细胞状态C₄=-1，隐藏状态h₄=-1（记忆否定标记）
5. 输入good（嵌入[10]）：因细胞状态为-1，情感值取反为10*(-1)=-10，细胞状态重置为C₅=0，隐藏状态h₅=-10

最终隐藏状态h₅=-10对应消极情感，判断正确。

处理"The movie is not bad." #

按词序列逐个输入：

1. 输入the（嵌入[0]）：细胞状态C₁=0，隐藏状态h₁=0
2. 输入movie（嵌入[0]）：细胞状态C₂=0，隐藏状态h₂=0
3. 输入is（嵌入[0]）：细胞状态C₃=0，隐藏状态h₃=0
4. 输入not（嵌入[-5]）：细胞状态C₄=-1，隐藏状态h₄=-1
5. 输入bad（嵌入[-9]）：因细胞状态为-1，情感值取反为-9*(-1)=9，细胞状态重置为C₅=0，隐藏状态h₅=9

最终隐藏状态h₅=9对应积极情感，判断正确。

核心机制说明 #

实际LSTM会通过遗忘门、输入门、输出门的非线性激活（sigmoid、tanh）动态控制记忆的保留与更新：

• 遇到not时，输入门会将否定信息写入细胞状态，遗忘门则保留之前的中性上下文（避免干扰）
• 后续遇到情感词时，输出门会调用细胞状态中的否定标记，调整情感词的表达倾向，最终输出正确的情感判断

内容的提问来源于stack exchange，提问作者John Smith