简介

情感分析或观点挖掘是对人们对产品、服务、组织、个人、问题、事件、话题及其属性的观点、情感、情绪、评价和态度的计算研究。

现有研究已经产生了可用于情感分析多项任务的大量技术，包括监督和无监督方法。在监督方法中，早期论文使用所有监督机器学习方法（如支持向量机、最大熵、朴素贝叶斯等）和特征组合。无监督方法包括使用情感词典、语法分析和句法模式的不同方法。现有多本综述书籍和论文，广泛地涵盖了早期的方法和应用。

大约十年前，深度学习成为强大的机器学习技术，在很多应用领域产生了当前最优的结果，包括计算机视觉、语音识别、NLP 等。近期将深度学习应用到情感分析也逐渐变得流行。

情感分析的三种粒度

• 文档粒度（document level）：文档级情感分类是指为观点型文档标记整体的情感倾向／极性，即确定文档整体上传达的是积极的还是消极的观点。因此，这是一个二元分类任务，也可以形式化为回归任务，例如为文档按 1 到 5 星评级。一些研究者也将其看成一个五类分类任务。
• 句子粒度（sentence level）：语句级情感分类用来标定单句中的表达情感。正如之前所讨论的，句子的情感可以用主观性分类和极性分类来推断，前者将句子分为主观或客观的，而后者则判定主观句子表示消极或积极的情感。在现有的深度学习模型中，句子情感分类通常会形成一个联合的三类别分类问题，即预测句子为积极、中立或消极。
• 短语粒度（aspect level）：也称为主题粒度，每一个短语代表了一个主题。与文档级和语句级的情感分类不同，aspect level 情感分类同时考虑了情感信息和主题信息（情感一般都会有一个主题）。给定一个句子和主题特征，aspect level 情感分类可以推断出句子在主题特征的情感极性／倾向。例如，句子「the screen is very clear but the battery life is too short.」中，如果主题特征是「screen」，则情感是积极的，如果主题特征是「battery life」，则情感是消极的。

深度学习模型

• 文档/句子粒度：Kim等人（2013） 提出的CNN文本分类工作，成为句子级情感分类任务的重要baseline之一；

• 文档/句子粒度：基本的lstm模型加上pooling策略构成分类模型，是通常用来做情感分析的方法；
• 短语粒度：Tang等人（2015） 使用两种不同的rnn网络，结合文本和主题进行情感分析；

• 短语粒度：Tang等人（2016） 结合memory-network，解决target-dedependent问题，这里的target理解为前面提过的aspect；

• 短语粒度：Chen等人（2017） 分别使用位置权重记忆和层叠attention的复合机制，建模target词和文本间的相互交互关系，以解决短语级情感分类问题；

• 短语粒度：Schmitt1等人（2018） 将aspect和polarity结合在一起进行分类任务训练，得到情感分析的模型；

• 现在流行模型：大规模语料预训练（词向量/Elmo/GPT/Bert）+ 深度学习分类器（lstm/cnn/transformer），一个很好的示例见AI Challenger 2018：细粒度用户评论情感分类冠军思路总结。

相关数据

情感词典

• 词性字典1 词性字典2
• 大连理工大学中文情感词汇本体库
• 清华大学李军中文褒贬义词典
• 知网情感词典

情感数据集

• 15 Free Sentiment Analysis Datasets for Machine Learning
• 大众点评细粒度用户评论情感数据集
• 汽车行业用户观点主题及情感识别
• 电商评论情感数据
• 酒店评论语料
• SemEval-2014 Task 4数据集
• Citysearch corpus 餐馆评论数据
• NLPCC2014评估任务2_基于深度学习的情感分类
• NLPCC2013评估任务_中文微博观点要素抽取
• NLPCC2013评估任务_中文微博情绪识别
• NLPCC2013评估任务_跨领域情感分类
• NLPCC2012评估任务_面向中文微博的情感分析
• 康奈尔大学影评数据集

其他资源

• Sentiment Analysis with LSTMs in Tensorflow
• Sentiment analysis on tweets using Naive Bayes, SVM, CNN, LSTM, etc.
• Chinese Shopping Reviews sentiment analysis
• AI Challenger 2018：细粒度用户评论情感分类冠军思路总结

文献资料

• 文本情感分析综述（腾讯语义团队）
• Deep learning for sentiment analysis: A survey
• 情感分析资源大全
• Tang D, Qin B, Liu T. Aspect level sentiment classification with deep memory network[J]. arXiv preprint arXiv:1605.08900, 2016.
• Kim Y. Convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1408.5882, 2014.