本文介绍了情感识别的基本概念，强调了在不同领域数据集上的适用性问题。作者探讨了几篇学术论文，包括基于阀值投票、特征层面和分类器层面融合的方法，以及结构一致学习算法。然后，作者分享了自己使用感知机（Perceptron）实现情感识别的简单方法，通过将输入语料转换为向量并进行多次迭代，选择正确率最高的模型作为标准模型。源代码链接和在线分类演示可供参考。
情感识别，主要就是正和负的识别，偶尔也有中性。类别比较少，所以相对于广义的文本分类来说，看起来要简单很多，特别是很多词汇都有很强的倾向性。当然这是针对某一特定的领域。一般的话，情感识别主要用于商品评论，因为不同的商品会有不同的术语之类的专门的某一词汇，所以如果将某一领域的数据集上学到的模型应用在另一个领域的话，可能效果会不很理想。
Stephan Raaijmakers等的这篇文章[1]提出的是一种基于阀值投票的方法，即使用独立的分类器去分各个类别的数据，最后使用新领域的数据对分类结果进行投票校验。这个方法只要使用新数据的一小部分有标即可。大概是下面这张图所描述的意思。虽然这张图是下面的paper里面的。
Shoushan Liand Chengqing Zong的这篇文章[2]同样是对多领域数据的分类研究，他们提出的方法是把特征层面和分类器层面进行融合。此文首先是批判了上图所描述的独立分类的不足，然后提出了自己的新的方法，即在分类的同时进行分类器间的融合，具体步骤如下图：
最低0.47元/天 解锁文章
282
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
