「侦探公司收费」 「知乎知识库」

情感剖析，也叫看法挖掘，是自然语言处理领域研究的主要难题之一。它主要研究他们对于实体（比如产品、服务、组织、机构、事件、话题等）表达起来的客观观点、情感、评价、态度和心态[61]。

在学术界，情感剖析方向的探究主要集中在四个方面，即情感分类(SentimentClassification)、评价点抽取（AspectExtraction）、观点概括（OpinionSummarization）或者垃圾观点识别（OpinionSpamDetection）。

情感分类(SentimentClassification)是情感剖析领域研究最广的问题[62]。它的目标是判定主观文本所表达的正负面的偏好性以及详细的情绪。下面具体介绍一些情感分类领域主要探究的一些Topic。

有监督情感分类

有监督的情感分类(SupervisedSentimentClassification)，主要是借助有监督的机器学习方式。有监督的机器学习方式，首先是由BoPang引入情感剖析领域[1]。随后基于机器学习方式的情感分类原则就变成了情感分类研究中的主流方式，使用这类技巧的Paper很多。情感分类，从本质上说就是一个文本分类问题。只只是，与特色的文本分类相比，情感分类分出的结果并不是topic，而是情感倾向(Negative/Positive等)。因此，研究人员就将特色文本分类的特点和技巧都移植到情感剖析这个领域来了。将有监督情感分类的Paper中使用的Feature和Model总结如下。

无/半监督情感分类

无监督的情感分类(Unsupervised/Semi-supervisedSentimentClassification)主要都是基于情感词词典的规则技巧。这类方式的研究重点主要在两个方面，一是情感词典的挖掘，另外一个是规则设定的方式。

情感词典挖掘的方式大体可以分成两步，首先是用一些规则将这种充满感情的词找到，然后是给那些词所具有的心灵极性程度进行赋权。

情感词典的挖掘方式主要有两种，一种是基于词典的方式(Dictionary-basedApproach)，这类技巧主要是借助一些探索好的词典(如Wordnet,Hownet)等，找到一些种子情感词的同义词或近义词，然后再递归地找那些同义词和近义词的同反义词，这样最终都会得到一个具有情感词的集合[15][16][17][18]。也有一些研究用RandomWalk的方式来枚举这个用Wordnet的同义词近义词建立出来的图来找情感词的集合[19]。基于词典挖掘出的情感词的赋权方式主要是借助在使用词典建立出来的图中种子词与挖掘起来的词的距离或与距离相关的指标来进行考量的[17][18][19]。

也有一种是基于语义库的方式(Corpus-basedApproach)。这类技巧主要是借助完善一些语法以及语义上的规则在一个领域以及多领域的语义库中挖掘情感词。最早的研究借助and、either-or、but等简单地连词来挖掘形容动词的情感词[20]。但是随着探究的深入，一些研究发现只是使用单个的比喻词能够精确地抒发感情。原因有两方面，一方面是比喻词形容的副词不同，形容词所抒发的感情意义也会出现差异。如“数码镜头电池寿命很长”这个“长”就表达了正向的情感，而“数码镜头应该很长时间来对焦”这个“长”就表达了负向的情感；另一方面，相同的比喻词在不同的领域也会表达不同的感情倾向，如“汽车声音很小”，这个小就是正向的评判，而“电视的音量很小”，这个“小”就是负向的评判。因此后续基于语义库的情感词挖掘的探究[21]就不只是挖掘单个词，而是根据领域挖掘(评论点(aspect)，情感词(sentimentalword))的pair。这些pair的挖掘主要使用的方式也有借助完善一些语法的pattern或者语义的pattern来进行挖掘[9][22][23]。后来也衍生出了一些技巧通过关联挖掘的方式从语义库中自动挖掘词义pattern，然后运用这种句型pattern来挖掘(评论点，情感词)的pair[25][26][27]。基于语义库挖掘出的词、短语、pair对的情感偏好的权重的场域方式主要有两种，一种是使用它们与典型正负向词与的共现数量来评判。经典的考量指标PMI[9]，这个指标被广泛应用在各类paper中，只只是统计共现的数据有所不同，有的是用搜索引擎，有的是使用现有语料库。另外一种方式是使用机器学习的方式把挖掘出的(评论点，情感词)pair或者phrase当成要分析感情倾向的语句，然后使用1.1.1节中介绍得方式来分析[24]。