该篇文章是关于方面级情感分析领域的一篇最近的综述，全面介绍了方面级情感分析领域的基本理论、研究分支、现有研究以及未来发展方向等。
最早的有关情感分析研究主要目标是提取一句话或者整段话中所包含的情感。但伴随着电商不断的普及，人们对于某种商品的评价往往是分为多个方面，如对于这句话我很推荐A饭店，菜品很不错，价格也比较公道，但就是位置有点偏。 就包含了不同的方面，对于每个方面的评价也是褒贬不一。因此相较于传统的情感分析，方面级情感分析更加细粒度且更具实际应用价值。
Sentiment和Emotion都有情感的意思，甚至有时候可以互用，但在论文当中Sentiment analysis和Emotion analysis却存在着不可忽略的却别。前者更general，常见的分类就是负向negeative，中性netural和正向positive。当然有的数据集还会进一步分为五类即：极正向、正向、中立、负向、极负向。而Emotion analysis更注重于具体的情感研究，比如厌恶、兴奋、开心、反讽等。
aspect term 方面实体：句子中明确给出的评价目标，在上图当中就是指的pizza。
aspect category 方面类别：一个具体的实体属于哪一个类别，一般这个类别也是数据集当中已经确定好的，比如披萨就属于食物这个类别。有时候也会将方面类别和方面实体统称为方面。
opinion term 意见词：句子当中具体的表达评价情感的词语，比如上图中的delicious。
sentiment polarity 情感极性：用来描述对于某一个方面类别的情绪（sentiment）。
此任务旨在识别出句子当中存在的实体以及显示的方面类别。
此任务旨在识别出句子中含有的方向类别。
Opinion term extraction (OTE) 任务是旨在识别出情感词，但就普遍理性而言单独识别出一个孤零零的情感词是没用的，所以一般会和aspect成对给出才有具体的意义。
此任务就是对于给定的方面，识别出情感极性。
将单个任务不断组合就形成了复合型任务，如下图所示
该任务旨在成对提取aspect和opinion术语，而不是像AOCE任务提取的是两个孤立的集合。
同时识别出方面实体及其对应的情感。
同时识别出方面类别及其对应的情感
同时识别出方面实体、对应的情感词及其对应的情感的三元组形式。
同时识别出方面类别、对应的情感词及其对应的情感的三元组形式。
提出方面实体、方面类别、意见词、方面情感构成四元组的形似。
每个任务具体的输出形似可见下图。
常用于方面级情感分析的方法主要有序列分类，token分类，机器阅读理解和序列到序列任务，如下图所示。
方面级情感分析未来发展的主要方向有跨语言情感分析、跨领域情感分析、多模态情感分析、大规模高质量标注的数据集、统一的情感分析框架等。
