这里转载一篇简单的评述，主题是关于 文本情感分析（坦白说，我认为这篇所谓的原创其实只是转载的，中间转载的痕迹很明显，纯属个人看法

）

摘要：文本情感分析：又称意见挖掘、倾向性分析等。简单而言,是对具有心灵色彩的主观性文本进行探讨、处理、归纳和推理的过程。互联网(如博客和沙龙或者社会服务网络如大众点评)上形成了长期的用户参与的、对于例如人物、事件、产品等有价值的评论信息。这些评论信息表达了他们的诸多感情色彩和爱情倾向性,如喜、怒、哀、乐跟批判、赞扬等。基于此,潜在的客户就可以借助浏览某些主观色彩的评论来认识大众舆论针对某一事件或产品的见解。本文主要探讨情感分析中的情感信息抽取，及文本粒度由大至小分别对情感分析方式进行对比和小结。

1引言

情感分析或看法挖掘是他们的见解，情绪，评估对比如产品，服务，组织等实体的态度。该领域的演进和迅速起步得益于网络上的社交媒体，例如产品评论，论坛探讨，微博，微信的迅速发展，因为这是人类历史上第一次有这么巨大数字量的方式记录[1]。自2000年初以来，情绪分析尚未成长为自然语言处理（NLP）中更活跃的研究领域之一。也是在数据挖掘，Web挖掘，文本挖掘和信息检索方面有广泛的研究。事实上，它尚未从计算机科学蔓延到管理科学和社会科学，如行业营销，金融，政治学，通讯，医疗科学，甚至是历史，由于其重要的商业性引发整个社会的共同关注。这种扩散是因为意见是事实的中心情感文本，几乎所有的人类活动，在非常程度上，很在乎在对方如何看。出于这个理由，无论何时我们必须做出决定，我们就会一直寻求他人的看法。这除了是对企业而言对个人也有极其。

如今，如果一个人想购买消费产品，其不再局限于问一个人的同事跟家人的看法情感文本，因为有很多用户评论和对产品讨论在网络上的公共论坛，我们可以在评论中找出我们想知道的疑问，可能就会有令人意想不到的收获。对于一个组织，它或许不再需要进行调查，民意调查和重点人群，以收集公众的看法，因为有丰盈

这样的信息公开。近年来，我们目睹了这些帖子通过社交媒体塑造企业形象，讨论明星生活，左右公众的心情跟感情，其中有深切地制约我们的社会跟政治制度，这样的帖子还动员民众政治的变化。当我们在抱怨人言可畏的同时，我们也不得不承认社交网络的迅速发展带来的很大的道德难题。由此情感分析孕育而生，我们可以借助情感分析以及是舆情系统来帮助政府监控民众的情感变化以及是舆论趋势，来防止出现良性事件以及是虚假事件的出现。

2情感分析概述

按照处理文本的粒度不同,情感分析大概能分为词语级、句子级、篇章级三个研究层次。

2.1篇章级

篇章级别的情感分类是指定一个整体的情绪方向/极性，即确认该文章（例如，完整的在线评论）是否传达总体正面或消极的看法。在这些背景下，这是一个二元分类任务。它也可以是重回任务，例如，从1至5星的审查结论的总体评分。也可以觉得这是一次5级分类任务。

我们可以将自然语言处理技术与模糊逻辑技术相结合，基于手动建立的模糊情感词典，对新闻故事和小说评论进行情感分析。定义情感类别，在模糊情感词典中标示情感类别以及强度。每个词语可以属于多个情感类别。在实验中，可以对比采用词频、与厚度相关的特点、语义倾向、情感PMI—IR、强调词跟特殊符号等不同特征时的结果。最后对文章的主动性／被动性和切实／消极性进行了判定。

2.2句子级

由于词语的情感分析离不开构成语句的词句的情感，其方式界定为三大类：(1)基于知识库的预测方式；(2)基于网络的预测方式；(3)基于语料库的预测方式[2]。

我们在对文本信息中短语的情感进行识别时，通常建立的情感数据库会包括一些情感符号、缩写、情感词、修饰词等等。我们在详细的实验中会定义几种情感（生气、憎恨、害怕、内疚、感兴趣、高兴、悲伤等），对词语标注其中一种情感类别以及强度值来实现对词语的情感分类。

2.3词语级

词语的心灵是语句或篇章级情感分析的基础。早期的文本情感分析主要集中在对文本正负极性的判别。词语的情感分析方式主要能归纳为三类：(1)基于词典的预测方式；(2)基于网络的预测方式；(3)基于语料库的预测方式。

基于词典的剖析方法运用字典中的近义、反义关系并且词典的结构层次，计算词语与正、负极性种子词汇之间的词义相似度，根据语境的远近对句子的情感进行分类。

基于网络的预测方式运用万维网的搜索引擎获取查询的统计信息，计算词语与正、负极性种子词汇之间的词义关联度，从而对句子的情感进行分类。

基于语料库的剖析方法，运用机器学习的相关科技对词义的情感进行分类。机器学习的方式一般必须先使分类模型学习练习数据中的规律，然后用练习好的建模对检测数据进行分析。

3情感信息的抽取

情感分析的更底层的任务,它从而抽取情感评论文本中有意义的信息单元，情感信息抽取可提炼出对情感分析有贡献的词或句子元素，其结果对特性降维、提高平台性能有重要功用，常用的统计预测方式有基于信息增益、互信息、期望交差熵、词频、文档频次等[3]。

3.1评价词语的抽取和判断

即为评判词语的辨识和极性及度量判断，评价词语的抽取和判断通常是一个一体化的工作，主要分为基于语料库和基于词典两种方式。

（1）基于语料库的评判词语抽取和判断：

主要是运用大语料库的统计特征,观察一些现象来挖掘语料库中的评判词语并推断极性。其更重要的特点在于简单易行，缺点在于评论语料库有限，同时评论词语在大语料库中的分布等现象不易归纳。

（2）基于词典的评判词语抽取及判断方式：

主要是使用词典中的成语之间的词性联系来挖掘评价词，其中难度最大的是词典的升级程度决定词汇分析。

3.2评价对象的抽取

评价对象是指某段评论中所探讨的主题, 具体体现为评论文本中评判词语所修饰的对象。传统方式中我们采用基于规则的方式抽取评价对象，规则的制订通常应基于一系列的语言探讨与预处理过程,如名词标注、命名实体辨识、句法分析等.相应地,制定的规则也包含词序列规则、词性规则或者语法规则等方式[4]。我们可以直接针对待解决的难题建立相应的规则去解决（抽取评价对象），缺点在于人工编写工作量太大，成本较高。

[1]Zhang L, Wang S, Liu B. Deep Learning for Sentiment Analysis : A Survey[J].2018.

[2]Zhai S, Zhongfei (Mark) Zhang. Semisupervised autoencoder for sentimentanalysis. In Proceedings of AAAI Conference on Artificial Intelligence (AAAI2016), 2016.

[3] TanS, Cheng X, Wang Y, et al. Adapting Naive Bayes to Domain Adaptation forSentiment Analysis[C]// Advances in Information Retrieval, European Conferenceon Ir Research, ECIR 2009, Toulouse, France, April 6-9, 2009. Proceedings.DBLP, 2009:337-349.

[4]Zheng S, Wang F, Bao H, et al. Joint Extraction of Entities and Relations Basedon a Novel Tagging Scheme[J]. 2017:1227-1236.

[5] TaoLi Ti Zhang,Vikas Sindhwani.A Non-negative Matrix Tri-factorization Approach toSentiment Classification with Lexical Prior Knowledge.Proceeding ofACL-09,244-252