情感分析概述

情感分析主要研究观点挖掘、倾向性分析等。

一，为什么需要观点挖掘和倾向性分析

文本信息主要包括两类：

• 客观性事实
• 主观性观点

但是已有的文本分析方法主要侧重在客观性文本内容的分析和挖掘。

二，什么是观点挖掘与倾向性分析

观点挖掘与倾向性分析就是从海量数据中挖掘观点信息，并分析观点信息的倾向性。

观点挖掘与倾向性分析的主要任务有：

• 观点及倾向性识别：如情感识别。
• 观点要素抽取：包括观点属性抽取和观点摘要。
• 观点检索

1，情感识别

从内容上可分为：

• 观点识别：主观的还是客观的。
• 极性分类：褒义、贬义还是中性的。
• 情感强度识别：例如好、非常好等…

从粒度等级上可分为：

• 词级别：识别一个词的倾向性。
• 特征级别(Aspect Level)：识别一个Aspect的倾向性。如价格方面。
• 句子级别：识别一个句子的观点倾向性。
• 文档级别：识别一篇文本整体的倾向性。

2，观点属性抽取

• 观点持有者抽取：通常为命名实体、名词性短语或者术语。
• 观点目标抽取：通常为术语、事件、实体等

3，观点摘要

4，观点检索

根据用户的查询从文档中找出对于主题信息发表了观点的文档，主题相关并且具有主观倾向性。

三，典型方法

1，情感识别

（1）词级别

任务：识别词语的情感倾向性，构建词典资源。

基本思路：利用词之间的相似度进行扩展。

方法：基于词典的方法或者基于语料库的方法。

（2）句子级别

任务：识别句子的情感倾向性。

关键问题：如何进行特征表示。

分类：基于语料库的方法、基于词典的方法和融合方法。

与传统的基于话题的文本分类侧重于主题词特征相比，情感识别中表示倾向性的词语更加重要。

基于语料库的方法的步骤：

1. 特征选择
2. 极性迁移：多种语言现象造成的句子内部词的倾向性转移。例如“不是很漂亮”，其中“不是”就对“漂亮”这个词进行了倾向性的转移。
3. 极性迁移的检测：可使用基于神经网络的方法。

（3）文档级别

任务：识别篇章整体观点倾向性。

绝大多数方法与句子级别方法类似：特征+分类器。

关键问题：多观点倾向性，即一篇商品评论中可能包含对于商品多方面的观点，每个观点的倾向性也可能不同，如何识别篇章整体的观点倾向性。

基于句子的划分的方法，因为篇章中的客观句对于篇章的整体观点倾向性没有意义，所以可以：

1. 利用图算法从篇章中识别出观点句，剔除客观句。
2. 只利用观点句来识别篇章整体的观点倾向性。

然后考虑篇章中每个句子对于篇章整体倾向性的贡献：

• 句子级倾向性和篇章级倾向性识别一体化。
• 考虑句子的上下文特征。
• 结构化CRFs模型。

当然也可以使用基于深度学习的方法：

主要问题：多观点混合问题，即篇章中局部观点与整体观点不一致。

（4）其他

• 跨语言观点识别与分析。
• 领域适应性。

2，观点挖掘

（1）观点对象抽取

任务：抽取观点评价的对象。

方法：利用属性词与评价词之间的依存句法关系。

（2）观点持有者抽取

基本思路：

• 命名实体识别
• 句法结构特征：卷积核
• 分类或者序列标注：SVM、NB、CRFs
• 指代消解

3，观点检测

任务：从海量文本中根据查询找到观点信息。

根据主题相关度与观点倾向性对于结果进行重排序。

• 主题相关度：传统检索
• 观点倾向性：观点识别

关键问题：找到主题相关度得分与观点倾向性得分的折中。

基于句子的观点检索：

• BOW不能很好地表示文档中的观点信息。
• 利用topic-sentiment pair表示每一个句子。
• 采用窗口共现策略抽取pair。
• 利用HITS算法来计算每个pair在篇章中的权重。