文本挖掘技术12-情感
文本情感分析
赵妍妍等：文本情感分析１８３５运而生（本文中提及的情感分析，都是指文本情感分析）．文本情感分析又称意见挖掘，简单而言，是对带有情感色彩的丰观性文本进行分析、处理、归纳和推理的过程．最初的情感分析源自前人对带有情感色彩的词语的分析【ｌ】，如，“美好”是带有褒义色彩的词语，而“丑陋”是带有贬义色彩的词语．随着互联网上大量的带有情感色彩的主观性文本的出现，研究者们逐渐从简单的情感词语的分析研究过渡到更为复杂的情感句研究以及情感篇章的研究．基于此，按照处理文本的粒度不同，情感分析可分为词语级、短语级、句子级、篇章级以及多篇章级等几个研究层次【２】．按照处理文本的类别不同。
可分为基于新闻评论的情感分析和基于产品评论的情感分析．其中，前者处理的文本主要是新闻评论，如情感句“他坚定地认为台湾是中国不可分割的一部分”，表明了观点持有者“他”对于事件“台湾归属问题”的立场：后者处理的主要是网络在线的产品评论文本，如“Ｐｏｌｏ的外观很时尚”。
表明了对评价对象“Ｐｏｌｏ的外观”的评价“时尚”是褒义的．由于基于产品评论的情感分析可以帮助用户了解某一产品在大众心目中的口碑，因此受到很多消费者和商业网站的青睐．而基于新闻评论的情感分析多用于舆情监控和信息预测中，是国内外评测中重要的评测任务．情感分析涉及多项非常有挑战性的研究任务．本文综合已有的研究成果，将情感分析归纳为３项层层递进的研究任务，即情感信息的抽取、情感信息的分类以及情感信息的检索与归纳，如图１所示．Ｆｉｇ．１Ｒｅｓｅａｒｃｈｆｒａｍｅｗｏｒｋｏｆｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ图ｌ情感分析的研究框架情感信息抽取是情感分析的最底层的任务，它旨在抽取情感评论文本中有意义的信息单元．其目的在于将无结构化的情感文本转化为计算机容易识别和处理的结构化文本，继而供情感分析上层的研究和应用服务．如将情感句“我觉得Ｃａｎｏｎ的相片质量不错”转化为如图ｌ所示的结构化文本形式．情感信息分类则利用底层情感信息抽取的结果将情感文本单元分为若干类别，供用户查看，如分为褒、贬两类或者其他更细致的情感类别（如喜、怒、哀、乐等）．按照不同的分类目的，可分为主客观分析和褒贬分析；按照不同的分类粒度，可分为词语级、短语级、篇章级等多种情感分类任务．这些分类任务在情感分析初期吸引了大量的研究者．最高层的情感信息的枪索与归纳可以看作与用户直接交互的接口，着重强调检索和！ｆ１纳两项应用．该层次的研究主要在前两项任务即情感信息抽取和分类的结果的基础上进行进一步的加工处理．情感分析是一个新兴的研究课题，具有很大的研究价值和应用价值【３－５】．鉴于此，该研究课题受到国内外越来越多的研究机构的重视．本文在接下来的部分首先分别详细阐述情感分析的３个主要研究任务，重点针对各任务的主流方法和前沿进展进行对比分析；接着介绍国内外主流的评测会议以及现有的资源建设情况：然后介绍情感分析的几个重要应用点；最后，展望情感分析技术的发展趋势．１情感信息抽取情感信息抽取旨在抽取情感文本中有价值的情感信息，它可以看作情感分析的基础任务．一直以来，学术界对它兴趣小减．纵观目前的研究现状，有价值的情感信息单元主要有评价词语（如优秀、好用）、评价对象（如ＧＰＳ、１８４８【６８】【６９】【７０】【７ｌ】【７２］【７３】【７４】【７５］【７６】【７８］ＪｏｕｒｎａｌｏｆＳｏｆｔｗａｒｅ软件学报ｖｏｌ＿２ｌ，Ｎｏ．８，Ａｕｇｕｓｔ２０１０ＴｉｔｏｖＩ，ＭｃＤｏｎａｌｄＲ．Ａｊｏｉｎｔｍｏｄｅｌｏｆｔｅｘｔａｎｄａｓｐｅｃｔｒａｔｉｎｇｓｆｏｒｓｅｎｔｉｍｅｎｔｓｕｍｍａｒｉｚａｔｉｏｎ．Ｉｎ：ＭｃＫｅｏｗｎＫｅｄ．Ｐｒｏｃ．ｏｆｔｈｅＡＣＬ２００８．ＭｏｒｄｓｔＯＷｌｌ：ＡＣＬ．２００８．３０８—３１６．ＢｒａｎａｖａｎＳ，ＣｈｅｎＨ，ＥｉｓｅｎｓｔｅｉｎＪ．Ｌｅａｒｎｉｎｇｄｏｃｕｍｅｎｔ—ｌｅｖｅｌ８ｅｍ锄ｔｉｃｐｒｏｐｅｒｔｉｅｓｆｒｏｍｆｒｅｅ－ｔｅｘｔａｎｎｏｔａｔｉｏｎｓ．Ｉｎ：ＭｃＫｅｏｗｎＫｅｄ．ｐｒｏｃ．ｏｆｔｈｅＡＣＬ０８：ＨＬＴ．Ｍｏｒｒｉｓｔｏｗｎ：ＡＣＬ．２００８．２６３－２７１．ＫｕＬＷ，ＬｉａｎｇＹＴ，ＣｈｅｎＨＨ．Ｏｐｉｎｉｏｎｅｘｔｒａｃｔｉｏｎ，ｓｕｍｍａｒｉｚａｔｉｏｎａｎｄｔｒａｃｋｉｎｇｉｎｎｅｗｓａｎｄＢｌｏｇｃｏｒｐｏｒａ．Ｉｎ：ＧｉｌＹ，ＭｏｏｎｅｙｌＵ，ｅｄｓ．Ｐｒｏｃ．ｏｆｔｈｅＡＡＡＩ２００６ＳｐｒｉｎｇＳｙｍｐ．ｏｎＣｏｍｐｕｔａｔｉｏｎａｌＡｐｐｒｏａｃｈｅｓｔｏＡｎａｌｙｚｉｎｇＷｅｂｌｏｇｓ．ＭｅｎｌｏＰａｒｋ：ＡＡＡＩＰｒｅｓｓ．２００６．ＯｕｎｉｓＩ。
基于文本挖掘的情感分析研究
基于文本挖掘的情感分析研究情感分析是指通过对文本内容进行分析和分类，确定其中所包含的情感倾向。
基于文本挖掘的情感分析研究主要通过挖掘文本中的情感信息，利用机器学习、自然语言处理等技术，识别和提取文本中的情感信息，并进行情感倾向分析和分类。
本文将从情感分析的意义、方法和应用等方面进行探讨。
一、情感分析的意义情感分析可以帮助人们更好地理解和解读文本，揭示其蕴含的情感信息，为人们提供更准确和全面的信息。
在商业领域中，情感分析可以帮助企业了解顾客的情感态度，了解产品的市场反馈，帮助企业制定更有效的营销策略。
在社交媒体中，情感分析可以帮助人们追踪公众的情感倾向，了解舆论动态。
在政治舆情分析中，情感分析可以帮助政府和政治人物了解民众的情感态度，从而采取更合适的政策措施。
二、情感分析的方法情感分析的方法主要包括基于词典的方法和基于机器学习的方法两种。
1.基于词典的方法：基于词典的方法主要是通过构建情感词典，将文本中的词语与情感词典进行匹配，计算文本中情感词的出现频率和权重，从而确定文本的情感倾向。
这种方法的优势在于简单快速，但不足之处是难以处理文本中的语义、语境和否定等问题。
三、情感分析的应用情感分析在各个领域都有广泛的应用。
在社交媒体中，情感分析可以帮助企业监测和分析用户评论和观点，了解用户对产品和服务的满意程度，从而改进产品和服务质量。
在推荐系统中，情感分析可以根据用户的情感倾向进行个性化推荐，提高推荐准确度。
在舆情监测中，情感分析可以帮助政府和企业了解公众的情感态度和舆论动向，制定更合适的应对策略。
在金融领域中，情感分析可以对市场情绪进行预测，帮助投资者更准确地判断市场走向。
总结起来，情感分析是一项非常有意义的研究工作，可以帮助人们更好地理解文本内容、追踪舆论动向、改进产品和服务质量，对于商业和社会的发展具有重要作用。
同时，我们也应该承认情感分析仍然存在一些挑战，如处理多义性、否定和语义等问题，未来还需要进一步研究和改进相应的方法和算法，以提高情感分析的准确度和可靠性。
如何使用数学技术进行文本挖掘和情感分析
如何使用数学技术进行文本挖掘和情感分析文本挖掘和情感分析是当今信息时代的重要技术，它们能够帮助我们从大量的文本数据中提取有用的信息和情感倾向。
在这篇文章中，我们将探讨如何使用数学技术进行文本挖掘和情感分析。
首先，让我们来了解一下文本挖掘的基本概念和流程。
文本挖掘是指从大规模文本数据中提取有用信息的过程。
它包括文本预处理、特征提取和模型构建等步骤。
在文本预处理阶段，我们需要对原始文本进行分词、去除停用词和标点符号等操作，以便后续的特征提取。
特征提取是文本挖掘的关键步骤，它将文本转化为数值特征，以便机器学习算法进行处理。
常用的特征提取方法包括词袋模型和TF-IDF。
最后，我们可以使用机器学习算法构建模型，如朴素贝叶斯、支持向量机等，来对文本进行分类或聚类分析。
接下来，让我们转向情感分析。
情感分析是指对文本中的情感倾向进行分析和判断的过程。
它可以帮助我们了解人们对于某一主题或事件的情感态度。
情感分析可以分为两种类型：情感极性分析和情感强度分析。
情感极性分析是指判断文本中的情感是正面的、负面的还是中性的。
情感强度分析则是对于正面或负面情感的程度进行判断。
在进行情感分析时，我们可以使用机器学习算法，如支持向量机、逻辑回归等，来构建情感分类模型。
此外，还可以使用词典或语料库来进行情感分析，通过计算文本中情感词的频率或权重来判断情感倾向。
数学技术在文本挖掘和情感分析中起到了至关重要的作用。
首先，数学技术可以帮助我们处理大规模的文本数据。
通过使用数学方法，我们可以高效地对文本进行分词、特征提取和模型构建，从而加快文本挖掘和情感分析的速度。
其次，数学技术可以提高文本挖掘和情感分析的准确性。
通过使用机器学习算法和统计方法，我们可以对文本进行更精确的分类和情感判断，避免主观因素的干扰。
此外，数学技术还可以帮助我们发现文本数据中的隐藏模式和规律，提供更深入的洞察和分析。
然而，数学技术在文本挖掘和情感分析中也存在一些挑战和限制。
基于文本挖掘技术的用户评论情感分析与评价研究
基于文本挖掘技术的用户评论情感分析与评价研究随着互联网的快速发展，用户评论成为人们获取商品和服务信息的重要途径。
用户的评论可以提供对产品的评价、意见和建议，对企业来说，了解用户的情感态度对于改进产品或服务非常重要。
因此，基于文本挖掘技术的用户评论情感分析与评价研究具有重要的实际意义。
一、用户评论情感分析1. 分析背景和目的：用户评论情感分析旨在通过分析用户对商品或服务的评论来判断其情感倾向，即正面、负面或中性。
这对于企业来说，有助于了解用户的满意度和改进的方向，进而提升产品的竞争力。
2. 分析方法：基于机器学习的文本分类技术是一种常见的用户评论情感分析方法。
这种方法通过构建一个情感标注数据集，并使用算法来训练模型，进而对新的用户评论进行情感分类。
常见的机器学习算法包括朴素贝叶斯、支持向量机和深度学习等。
3. 实施步骤：（1）数据收集：收集包含用户评论和情感标签的数据集。
（2）文本预处理：对用户评论进行分词、去除停用词等预处理操作，以便后续的特征提取。
（3）特征提取：将预处理后的用户评论转化为可供算法使用的特征表示。
常见的特征提取方法包括词袋模型和词嵌入等。
（4）模型训练：使用机器学习算法，如朴素贝叶斯和支持向量机，训练情感分类模型。
（5）模型评估：使用测试集评估模型的性能，包括准确率、召回率和F1值等指标。
4. 应用领域：用户评论情感分析可以应用于各个行业和领域，比如电商、旅游、餐饮等。
通过对用户评论的情感进行分析，商家可以了解用户的满意度和需求，进而优化产品或服务。
二、用户评论评价研究1. 分析背景和目的：用户评论评价旨在通过对用户评论的内容进行分析，挖掘有价值的信息。
这对于企业来说，可以了解用户对产品的具体评价，发现存在的问题和优势，进而进行改进和提升。
2. 分析方法：基于文本挖掘技术的用户评论评价研究方法主要包括主题提取、关键词抽取和情感词汇分析等。
主题提取可以帮助企业发现用户评论中提到的主要问题或需求，关键词抽取可以帮助企业把握用户评论的重点内容，情感词汇分析可以帮助企业了解用户对产品的态度和评价。
基于文本挖掘的用户情感分析研究
基于文本挖掘的用户情感分析研究随着互联网的普及和社交媒体的兴起，人们越来越多地借助网络平台来表达自己的想法和感受。
尤其是在电商领域，消费者在购买产品之前，往往会先去了解该产品的用户评价，而这些评价往往包含着消费者的情感倾向。
因此，通过对网络上的用户评价进行情感分析，可以帮助企业了解用户的需求和情感状态，从而调整产品策略，提高产品满意度和销量。
本文将探讨基于文本挖掘的用户情感分析研究的相关领域和应用。
一、文本挖掘技术简介文本挖掘是一种从大规模文本数据中自动提取有用信息的技术。
其主要包括文本预处理、特征提取和模型建立等步骤。
文本预处理一般包括文本清洗、分词和词性标注等，旨在去除文本中的噪声和无用信息。
特征提取是指从文本数据中抽取出特征信息，用于后续的模型建立和分析。
常用的特征提取方法包括词频、词袋和TF-IDF等。
模型建立是指根据特征信息和标注数据构建分类、聚类等模型，用于对大规模文本数据进行分析和挖掘。
二、用户情感分析的研究现状用户情感分析是指通过对用户在社交媒体上发布的文本信息进行分析，挖掘和了解用户的情感状态。
目前，该领域的研究主要分为两大类：基于情感词典的方法和基于机器学习的方法。
1、基于情感词典的方法基于情感词典的方法是最为常见和简单的情感分析方法。
该方法的主要思路是基于已有的情感词典，对文本数据中各个词汇的情感极性进行统计，得到文本的情感极性得分。
情感词典是一种手工构建的词典，其中包含了大量词语及其所对应的情感极性（如正向、负向和中性）。
该方法的优点是计算速度快，而缺点是准确性较低，对于一些长尾词汇和多义词很难进行准确的情感极性判断。
目前，已有许多情感词典被广泛应用于用户情感分析领域，如知网情感词典、情感分析用词典（SentiWordNet）等。
2、基于机器学习的方法基于机器学习的方法是利用机器学习算法对标注好的训练集进行训练，然后对未标注数据进行分类的一种方法。
该方法的主要思路是基于已有的标注数据，从中抽取特征信息，然后采用分类器（如朴素贝叶斯、支持向量机等）对文本数据进行分类。
数据分析中的文本挖掘技术
数据分析中的文本挖掘技术随着数据爆炸式增长，如何从大量数据中发现价值成为了数据分析领域中的一大难题。
而文本挖掘技术的出现，正是为了解决这个问题。
一、什么是文本挖掘技术文本挖掘技术是一种将自然语言处理、机器学习、统计学等技术应用于文本分类、情感分析、实体抽取、关系抽取、主题分析等领域的技术。
通过使用这种技术，可以从大量的非结构化文本数据中提取信息，发现隐藏在文本中的规律和趋势，为后续的数据分析和决策提供支持。
文本挖掘技术主要包括以下几个步骤：1. 预处理：去除停用词、标点符号等无用信息，将文本转化为机器可读的形式。
2. 特征提取：将文本中的单词、短语等抽取出来并转化为数值类型，以便后续的机器学习算法进行处理。
3. 分类或聚类：将文本按照其所属类别进行归类或分组。
4. 实体抽取：从文本中抽取实体并对其进行识别。
5. 关系抽取：从文本中抽取实体之间的关系。
二、文本挖掘技术的应用1. 情感分析情感分析是指通过对文本的分析，确定其中所包含的情感极性，如正面、负面或中性。
这种技术可以用于商品评论、社交媒体等领域，帮助企业了解用户对其产品或服务的态度，进而改进产品或服务。
2. 实体抽取实体抽取是指从文本中抽取出具有特定意义的实体，如人名、地址、时间、公司名称等，并进行分类和识别。
实体抽取技术可以帮助企业从大量的非结构化文本数据中提取出相关信息，为业务决策提供支持。
3. 关系抽取关系抽取是指从文本中抽取出实体之间的关系。
这种技术可以用于社交媒体、新闻报道等领域，帮助企业了解人们之间的联系，预测社会趋势等。
4. 主题分析分析。
这种技术可以用于新闻报道、社交媒体等领域，帮助企业发现潜在的营销机会、了解人们的兴趣爱好等。
三、文本挖掘技术的挑战虽然文本挖掘技术在数据分析领域中拥有广泛的应用前景，但是它也面临着一些挑战：1. 数据质量问题。
由于文本数据的来源多种多样，质量参差不齐，如何保证文本数据的质量是文本挖掘技术中一个关键的问题。
文本挖掘技术在情感分析中的应用案例分析
文本挖掘技术在情感分析中的应用案例分析情感分析是一种通过挖掘文本中的情感信息来了解人们对特定主题或事件的情感倾向的技术。
文本挖掘技术在情感分析中的应用已经得到了广泛的关注和应用。
通过分析用户的情感倾向，企业可以更好地了解用户需求、提高产品质量、优化服务体验等。
本文将通过分析几个实际案例，来探讨文本挖掘技术在情感分析中的应用和优势。
案例一：社交媒体情感分析社交媒体平台上用户的评论和帖子是人们表达情感的主要渠道之一。
一家电商公司利用文本挖掘技术分析社交媒体中的用户评论，以了解用户对其产品的情感反馈。
通过采集和分析大量的用户评论数据，该公司可以得出用户对产品的喜爱程度、不满意之处等情感倾向，从而及时做出相应的调整和改进。
他们还可以比较不同产品的用户反馈，为产品改进和开发提供指导。
案例二：金融行业情感分析金融行业也广泛应用情感分析技术来了解市场情绪和投资者情感。
例如，一个投资公司利用文本挖掘技术分析新闻和社交媒体上的文本数据，以获取关于股票市场的情感信息。
他们可以通过分析大量新闻报道和社交媒体评论，了解市场参与者对股票的情感倾向。
这些信息被用来判断市场的热点、预测股价走势等，帮助投资者及时调整投资策略。
案例三：舆情监测与危机公关舆情监测与危机公关是企业维护品牌形象和危机处理的重要环节，而情感分析可以为其提供有价值的信息。
一个公关部门使用文本挖掘技术来监测媒体和社交媒体上的舆情，并对企业品牌和产品的形象进行实时调整。
他们可以分析用户对企业的情感反馈，及时发现负面舆情，采取相应措施进行危机公关处理。
此外，通过了解舆情中蕴含的情感信息，企业还可以更好地了解公众对其品牌的认知和态度，并加以调整和优化。
案例四：产品评论情感分析文本挖掘技术在分析产品评论时可以挖掘出用户对产品的情感倾向和具体体验。
一个电商平台利用情感分析技术分析用户在购买产品后的评论，以了解产品的优点和不足之处。
通过对评论文本进行情感分析，可以快速了解用户对产品的喜好和不满，以及其对产品功能、质量和服务的评价。
文本挖掘中的情感分析与主题建模方法
文本挖掘中的情感分析与主题建模方法近年来，文本挖掘技术的快速发展，为我们从大量的文本数据中获取有价值的信息提供了便利。
情感分析和主题建模是文本挖掘中两个重要的任务，它们可以揭示文本背后的情感倾向和主题特征，对于商务智能、舆情监控、市场分析等领域具有重要的应用价值。
本文将分别介绍文本挖掘中的情感分析与主题建模方法。
首先，让我们来了解一下情感分析。
情感分析（Sentiment Analysis），也被称为意见挖掘、情感挖掘或情绪分析，是一种通过自然语言处理、文本分析和计算语言学等技术，自动识别、提取和量化文本材料中的主观信息的过程。
情感分析方法可以帮助我们了解用户对商品、服务、活动等方面的情感倾向，并从中分析用户的需求和满意度。
常见的情感分析方法包括基于规则的方法、基于情感词典的方法和基于机器学习的方法。
基于规则的方法主要依靠事先制定的规则和语法规则来识别文本中的情感信息，优点是简单有效，但受限于规则的准确性和适用性。
基于情感词典的方法则利用情感词典来对文本中的词语进行情感极性判断，常见的情感词典有SentiWordNet和AFINN等，该方法可以较为准确地获取文本的情感倾向，但对于新词和多义词的处理较为困难。
基于机器学习的方法则通过训练一个分类器来自动识别出文本中的情感信息，通常采用的特征包括词袋模型、n-gram模型和词向量等，机器学习方法可以适应不同的文本类型和语境，但需要大规模的训练数据和较长的训练时间。
接下来，让我们深入了解一下主题建模。
主题建模（Topic Modeling）是一种通过统计模型，自动发现文本集合中隐藏的主题结构的过程。
主题表示了文本数据中的概念或话题，并可以帮助我们理解文本的相关性和内容特征。
主题建模常用的方法有Latent Dirichlet Allocation（LDA）和Non-negativeMatrix Factorization（NMF）等。
LDA是一种基于概率图模型的主题建模算法，它将文本解释为生成过程中的隐变量，通过学习文档和主题之间的分布关系，从而推断出文档的主题分布。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Three main ways to compile such a list:
Manual approach: not a bad idea, only an one-time effort Corpus-based approaches Dictionary-based approaches
5
词语的情感倾向
12
Unsupervised review classification
Step 2: Estimate the semantic orientation (SO) of the extracted phrases
Use Pointwise mutual information
Semantic orientation (SO):
Use additional information (e.g., glosses 注释) from WordNet and learning
(Andreevskaia and Bergler, EACL-06) (Esuti and Sebastiani, CIKM-05)
Weakness of the approach
7
SO-PMI
8
Dictionary-based approaches
Typically use WordNet's synsets and hierarchies to acquire opinion words
Start with a small seed set of opinion words. Use the set to search for synonyms and antonyms in WordNet (Hu and Liu, KDD-04; Kim and Hovy, COLING-04). Manual inspection may be used afterward.
文本挖掘技术(2009)
第十二章:
文本情感分析技术
杨建武 北京大学计算机科学技术研究所 Email:yangjianwu@
1
情感计算的概念
情感计析文本,图像或视 音频等对象所包含的情感倾向及其强度
例如:正面或负面,喜欢或讨厌,快乐或悲伤, 愤怒和恐惧等
Nave Bayes Maximum entropy Support vector machine
Pre-processing settings: negation tag, unigram (single words), bigram, POS tag, position.
SVM: the best accuracy 83% (unigram)
Purchasing a product or using a service, Finding opinions on political topics,
Ads placements: Placing ads in the user-generated content
Place an ad when one praises a product. Place an ad from a competitor if one criticizes a product.
An negative sentiment on an object
does not mean that the opinion holder dislikes everything about the object.
A positive sentiment on an object
11
Unsupervised review classification
(Turney, ACL-02) Data: reviews from on automobiles, banks, movies, and travel destinations. The approach: Three steps Step 1:
Positive, negative, and (possibly) neutral
Similar but different from topic-based text classification.
In topic-based text classification, topic words are important. In sentiment classification, sentiment words are more important, e.g., great, excellent, horrible, bad, worst, etc.
Opinion retrieval/search: providing general search for opinions.
3
文本情感计算
词或短语的情感倾向 文档与句子的情感倾向 观点挖掘
基于特征的观点挖掘 比较式观点挖掘
4
词语的情感倾向
Opinion Words or Phrases (also called polar words, opinion bearing words, etc). E.g.,
Using AltaVista near operator to do search to find the number of hits to compute PMI and SO.
13
Unsupervised review classification
Step 3: Compute the average SO of all phrases
15
Sentence-level sentiment analysis
Document-level sentiment classification is too coarse for most applications. Much of the work on sentence level sentiment analysis focuses on identifying subjective sentences in news articles.
Business spends a huge amount of money to find consumer sentiments and opinions.
Consultants, surveys and focused groups, etc
Individuals: interested in other's opinions when
情感计算的分类
主观性(Subjectivity)
– 主观性,客观性和中性
情感倾向(Orientation)
– 正面(褒义),负面(贬义)和中性
2
情感计算的应用
Businesses and organizations: product and service benchmarking. Market intelligence.
Part-of-speech tagging Extracting two consecutive words (two-word phrases) from reviews if their tags conform to some given patterns, e.g., (1) JJ, (2) NN.
Do not find context dependent opinion words,
e.g., small, long, fast.
中文资源: HowNet,同义词词林
9
Documents Sentiment classification Classify documents (e.g., reviews) based on the overall sentiments expressed by opinion holders (authors),
6
SO-PMI
Measuring Praise and Criticism: Inference of Semantic Orientation from Association (TURNEY 2003) SO-PMI (Semantic Orientation from Pointwise Mutual Information)
Positive: beautiful, wonderful, good, amazing Negative: bad, poor, terrible
Important to note:
Some opinion words are context independent (e.g., good). Some are context dependent (e.g., long).
10
文章的倾向分析
2003年,Turney用评论中出现的词语的倾向的平均值 来代表整篇评论的倾向; 2003年,Dave等用词的倾向代表文章的倾向,考虑了 词的倾向强度; 2002年,Bo Pang等人首先在情感分析领域引入了机器 学习的方法,利用Nave Bayes,Max Entropy,SVM等 分类,在文档级别上对文档进行自动的情感分类; (作者通过IMDB收集了具有标注的电影评论) 2004年,Bo Pang等人又提出通过机器学习和图中最小 割的方法对文档中的句子进行主观性判断; 2005年,Bo Pang等人进一步拓展了他们的工作,通过 机器学习的方法对电影评论进行3级或4级打分.
Classification: objective and subjective. All techniques use some forms of machine learning. E.g., using a nave Bayesian classifier with a set of data features/attributes extracted from training sentences (Wiebe et al. ACL-99).