情绪分析，词性分析和词义消歧

情绪分析

情绪分析侧重于主观陈述——意见、情绪、情绪：很难用几个关键词来表达。
主观性分类 Subjectivity classification 通常是情感分析的第一步：主观与客观文本
opinion是一个五元组quintuple (oj , fjk , soijkl , hi , tl )，其中后面标黑的是需要完成的任务：
• oj：目标对象：命名实体识别
• fjk：oj 的一个特征：信息提取
• soijkl：是观点持有者观点的情感价值 情感确定
• hi：意见持有者：信息（或元数据）提取
• tl：时间：信息（或元数据）提取

Granularity level 粒度级别

• 文档级别：根据意见持有者表达的总体情绪将文档（例如电影评论）分类为，例如：正面或负面（和中性）。
假设：每个文档都关注一个对象并包含来自一个意见持有者的意见：（oj , fjk , soijkl , hi , tl ），其中 oj = fjk
• 句子级别：同上，但对于（主观）句子，所以这些需要首先要被识别。
• 特征级别：文档和句子可能包含混合意见，此级别的分析无法具体确定人们喜欢/不喜欢什么。
对一个对象的整体正面/负面意见并不意味着意见持有者喜欢/不喜欢它的一切。允许进行各种分析

情绪分析的方法

Lexicon-based 基于词典

分为二元和gradable，后者使用情绪范围而不是二元系统来处理诸如absolutely, utterly, completely, totally, nearly, virtually, essentially,
mainly, almost

• rule-based Binary

Rule-based sentiment classifier (sentence/document-level)
**Rule-based subjectivity classifier：**如果一个句子/文档至少有 n 个（比如 2 个）来自情感词词典的词，那么它是主观的；否则句子/文件是客观的。
Rule-based sentiment classifier：对于主观句子/文档，计算句子/文档中正面和负面的词/短语。如果比正面词/短语更负面，则负面；否则为正（如果相等，则为中性）。
Rule-based sentiment classifier (feature-level)
对于每个特征，计算词典中正面和负面情绪的词/短语。 如果比正面词/短语更负面，则负面；否则为正（如果相等，则为中性）。

• gradable
根据情感内容的水平对文本（文档、句子或特征级别）的一般 valence 进行分类
Valence: affective quality referring to the intrinsic attractiveness or averseness of an event, object, or situation
效价：情感质量，指的是事件、对象或情况的内在吸引力或厌恶性

否定规则Negation rule：
• E.g: “I am not good today”.
Emotion(good)= +3; “not” is detected in neighbourhood (of 5 words around); so emotional valence of “good” is decreased by 1 and sign is
inverted → Emotion(good) = −2

强化规则Intensifier rule：