【知识总结】情感分类

• 按其分析的粒度可以分为篇章级，句子级，词或短语级
  文本级别：通过完整文档或段落来获取情绪；
  句子级别：获得单句的情绪。
  子句级别：获得句子中，子表达的情感。

基本流程图

情感分类

任务：给定文本，识别其主观性文本的倾向，肯定or否定？正面或负面？

网络中存在$主观性文本$和$客观性文本$，而情感分类的对象是带有情感倾向的主观性文本，因此首先要进行文本的主观性分类。有两种类别的观点：直接性和比较性，例如A真的好和A比B好。有明确的，也有含蓄的

主观性分类：以情感词识别为主，利用不同的文本特征表示方法和分类器进行识别分类。主要研究思路：

1. 基于语义的情感词典方法
2. 基于机器学习的方法

基于语义的情感词典方法

（1）构建词典
情感词典是情感分类的基础，有4类词语：通用情感词、程度副词、否定词和领域词。
构建方法：利用已有词典扩展生成
做法：利用语义相似度计算方法计算词语与基准情感词集的语义相似度

（2）构建倾向性计算算法
利用情感词典和分析文本语句的特殊结构以及情感倾向词，采用权值算法或利用简单统计方法进行情感分类。根据情感强度给情感词赋予不同权值，然后进行加权求和

（3）确定阈值来判断文本倾向性
一般情况下，加权计算结果为正是正面倾向，结果为负是负面倾向 ,得分为零无倾向。所得结果评价一般采用自然语言中经常使用的正确率、召回率和 F 值来评判算法效果。

优点：不依赖标注好的训练集，实现简单，快速有效
缺点：粗粒度的分析，对词典构建要求比较高

基于机器学习的情感分类方法

（1）人工标注文本倾向性作为训练集
（2）提取文本情感特征
（3）机器学习方法构造情感分类器
（4）待分类文本通过分类器进行倾向性分类

常用的情感分类特征包括情感词，词性，句法结构，否定表达模板，连接，语义话题等.

.常用特征提取方法：信息增益，文档频率
分类方法：KNN，Bayes，SVM，CRF,最大熵分类器等

深度学习方法

用word embedding + DNN或者 Language model + Decoder

---

---

---

情感分析的类型

• 细粒度情感分析

了解评论的极性水平，例如5星评级

• 情绪检测

旨在检测诸如快乐，沮丧，愤怒，悲伤等情绪，采用词典（即单词列表和它们传达的情感）或复杂的机器学习算法

• 基于Aspect的情感分析

“相机的电池续航不行”，说相机不行，但是更注重的是电池方面的不行，针对产品的特定方面

• 意图分析

检测人们通过文本做什么；“如何更换墨盒？”

实现情感分析

• 基于规则（手动指定规则）
• 自动系统（机器学习）
• 混合系统（基于规则和自动方法）

情感分析评估标准：

精确度，召回率和准确度是用于评估分类器性能的标准度量

• Precision 精确率：预测为1的样本中，多少被正确分类
• Recall召回率：实际为1的样本中，多少被成功预测
• Accuracy准确率：所有文本中，被预测正确的文本

情感分析的挑战

主观性和语气

事实上，所谓的客观文本不包含明确的情绪。分析以下两个文本的情绪：“包很好。”“包裹是红色的。”
所有谓词（形容词，动词和某些名词）在创造情绪方面不应该被视为相同。 在上面的例子中，nice比red更主观。

语境和极性

反讽和讽刺

比较

表情符号

定义中性

包括客观文本，无关信息，包含愿望的文本