NLP-情感分析

情感分析概述

人工智能发展的三个阶段：

• 计算智能（能存会算，超越人类）
• 感知智能（能听会说，能看会认，媲美人类）
• 认知智能（能理解会思考，有情感，与人类差别很大）

什么是人工智能情感？

• 情感是人对客观事物是否满足自己的需要而产生的态度体验
• 人工智能情感分析就是让机器具备理解人类情感的能力

什么是自然语言情感分析？

• 自然语言情感分析是对文本中蕴含的心理状态进行分析、归纳和推理，理解人类的观点、情绪、意图等。

情感分析的情感资源：网络媒体是观察人类情感的窗口

情感分析的应用场景：

• 电影：影评正面负面
• 产品：如何看待一个产品？
• 民意
• 政治
• 预测

情感极性分类

粗粒度分类：基础分类方法
情感极性分类任务定义
粗粒度情感极性分类主要是判断文本整体的情感极性
情感倾向性分类：褒、贬、中立
情绪分类：喜、怒、悲、恐、惊

情感极性分类框架

• 文本情感极性分类属于一种针对情感态度的文本分类任务
• 在文本分类任务上，加入情感符号以及情感相关语言特征
• 深度学习的发展为文本情感分类的精准性带来了新的生机
  

分类评价指标

二分类：

• 分类准确率
• 精确率
• 召回率

多分类：

• 准确率
• 宏平均
• 微平均

基于深度学习的情感极性分类方法

语言学约束

---

方法一：RNTN
方法二：AdaHT-LSTM
方法三：SATA Tree-LSTM

长文本特性

---

方法一：Leap-LSTM for long text
方法二：Pointer LSTM
方法三：Factored KALL
方法四：Gated KALL

情感词典

---

1、情感词表示学习

任务定义：
输入：源词向量和目标情感词向量
模型：语言模型
输出：情感分类标签分布、目标情感词向量
方法一：针对情感词的不是学习方法
方法二：利用情感词典，对情感进行细粒度正则化约束
方法三：基于预训练技术SentiBERT

---

2、代表性情感词典

SENTIWORDNET
借助于wordnet，为每个同义词集都分配有正面、负面和中立的分数，表明它们的主观性取向。由于标签与同义词集相关联，主观性分数与词义相关联。
构建依据：主观性和词义具有很强的语义依赖性

属性级情感分类

细粒度属性级情感分类是指判断评价对象及其属性的情感倾向

基于属性的情感分析：

• 更精细的情感分析，为每个实体（及其属性）识别情感。
• 更好地理解主观性文本的情感分布
• 两个任务：
• 1、Aspect-Extraction，识别给定文本中提到的Aspect
• 2、ABSA，确定Aspect的情感方向
• 给出观点（情感）的结构化定义，并成为当前情感分析的主流定义

具有情感意识的自然语言处理

不完全版，不想再记录了，到此为止了~~~