情感分析history（2020.10.18）

情感分析history

1. Breck,Choi, and Cardie 2007; Takamura, Inui, and Okumura 2007（单词）
2. Yu andHatzivassiloglou 2003; Kim and Hovy 2004（句子）
3. Pang, Lee, andVaithyanathan 2002; Turney 2002（文档）
4. Hatzivassiloglou and McKeown 1997（提出了第一种确定形容词极性或方向（正，负和中性）的方法。该方法通过在大型文档集中检测由诸如‘and’和‘or’的连词连接的这些词对来预测形容词的方向。这种方法的缺点是依赖于连词关系，无法提取无连词的形容词。）;
5. Wiebe 2000; Wiebe et al. 2004（提出了一种方法，根据词类的分布相似性，使用词聚类的结果来找到主观形容词。但是，他们没有解决发现的主观形容词的情绪极性的预测。）;
6. Turney and Littman 2003（计算目标词的逐点互信息（PMI），每个种子的正负词都作为其语义关联的量度。他们的工作需要额外访问Web（或其他类似于Web的语料库以确保足够的覆盖范围），这很费时间）;
7. Kanayama and Nasukawa 2006; Kaji and Kitsuregawa 2007（基于语料库。他们的工作首先使用子句级上下文一致性来找到候选词，然后使用统计估计方法来确定候选者是否是适当的见解词。然而，如果种子词在数据中的出现频率很低，或者未知的意见词在其上下文中没有已知的意见词，他们寻找候选的方法的召回率就会很低。此外，如果语料库很小，统计估计可能会不可靠，这是统计方法常见的问题。）
8. Kamps et al. 2004（在基于词典的方法中，Kamps等人。 (2004)利用WordNet的优势，通过连接成对的同义词来构建同义词网络。一个词的这些方向取决于它到两个种子词“好”和“坏”的最短路径，这两个词被选作正方向和负方向的代表。）;
9. Esuli andSebastiani 2005（使用文本分类技术对方向进行分类。他们的方法是基于在线“词汇表”或词典中的注释(文本定义)。）;
10. Takamura, Inui, and Okumura 2005（基于词典。Takamura、Inui和Okumura(2005)的工作也利用了词典中的词汇信息。如果一个词出现在另一个词的光泽中，则该方法通过链接两个词来构建词汇网络。链接的权重反映了这两个相连的单词是否具有相同的方向。）
11. Hu and Liu 2004; Kim and Hovy 2004（Hu and Liu（2004）和Kimand Hovy（2004）的作品比较简单，因为它们仅使用同义词和反义词。然而，所有基于词典的方法都无法找到领域相关的情感词，因为词典中的大多数条目都是领域无关的。例如，在电影评论中，“不可预测的”通常是一个积极的评价词，就像在“不可预测的情节”中一样，但在汽车评论中，“不可预测的”很可能是负面的，就像在“不可预测的转向”中一样。）;