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~~~