让机器更懂你--Modelscope情感分析模型

模型传送门：

• 情感分类模型：https://www.modelscope.cn/models/damo/nlp_structbert_sentiment-classification_chinese-base/summary

• 情绪分类模型：https://modelscope.cn/models/damo/nlp_structbert_emotion-classification_chinese-base/summary

• 商品评价解析模型：https://modelscope.cn/models/damo/nlp_bert_relation-extraction_chinese-base-commerce/summary

• 客户满意度分析模型：https://www.modelscope.cn/models/damo/nlp_user-satisfaction-estimation_chinese

情感分析概述

背景及意义

人类情感是人们相互交往中主动选择和创造的结果，它是通过特定的人类行为和符号来表现、传达和显示的。1995年情感计算的概念由 Picard 首次提出，并于1997年正式出版《Affective Computing （情感计算）》。文本情感分析或观点挖掘是有关以文本形式表达的主观信息的计算的研究。其基本任务形式包括：针对不同粒度文本（如属性、句子、对话等级别）中的主观信息（如情感、情绪、态度、立场等）的提取、分析和处理。

常见任务

• 属性级情感分析：从评论文本中挖掘评价对象，并分析针对该评价对象的情感。评论中的对象通常包含评价实体及其属性，实体常常省略，因此在商品评论领域常常用属性级情感分析（ABSA）术语 [2-10]。

• 句子级情感分析：给定句子，决定句子的情感极性。句子涉及的话题往往比较单一，而且很多自然语言处理技术都以句子为处理单元。早期的句子级情感分析还包括主客观分析。

• 对话级情感分析：给定单轮或多轮对话，决定整段对话的情感。对话通常包含多个话题，多个语句，甚至多个对话角色。代表性任务包括多轮对话的用户满意度估计 [3, 4] 和单轮问答的情感分析 [11]。

情感分析Modelscope实战

ModelScope介绍

ModelScope旨在打造下一代开源的模型即服务共享平台，为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品，让模型应用更简单！

实验环境准备

依据ModelScope的介绍，实验环境可分为两种情况。笔者在此推荐使用第2种方式，点开就能用，省去本地安装环境的麻烦，直接体验ModelScope。

1 本地环境安装

可参考ModelScope环境安装。

2 Notebook

ModelScope直接集成了线上开发环境，用户可以直接在线训练、调用模型。

打开模型页面，点击右上角“在Notebook中打开”，选择机器型号后，即可进入线上开发环境。

句子级情感分析

背景

情感分类需要模型对带有感情色彩的主观性文本进行分析、推理，即分析文本所表达的态度，是倾向于正面还是反面，对及时把握舆情走势，了解商品评价，检测客服服务质量，实现观点抽取和意图识别都起到了重要作用。而在电商场景中，情感分类显得尤为重要，可以通过对商品评论情感极性的分析，作为对商品质量及相关服务质量把控的重要参考依据。由于电商场景大多数的情感分析需求是粗粒度的或文档级的，预训练模型底座的性能差异、模型的灵活、易用、低成本往往是需求开发的关注点。因此