词语级倾向性判断
(4)言语——态度观点题
我认为A,至于B就见仁见智了。
→前有后无
无论A,B都怎样。 →前无后有
【解题思路】 准确定位作者的观点
一、明确观点型
示例：翻译时，“直译”偏重于对原文的忠实，“意译” 偏重于译文语气的顺畅。哪种译法最妥当，人们各执己见。 依我看，直译和意译的分别根本不应存在。忠实的翻译必 定能尽量表达原文的意思。思想感情与语言是一致的，相 随而变的，一个意思只有一个精确的说法，换一个说法， 意味就完全不同。所以想尽量表述原文的意思，必须尽量 保存原文的语句组织。因此，直译不能不是意译．而意译 也不能不是直译。 观点引导词“依我看”之后是作者的态度观点，即人为划 分直译和意译没有必要。
写得好，但是后世读的人少，诗集也少有刊刻——怎能让祸国殃
民的罪人立言不朽呢！古人虽也说过“孔雀虽有毒，不能掩文章” 的话，但仍坚持“德艺双馨”的文艺评论原则。 根据这段文字，下列哪项符合传统上中国古代对文学作品的看法？ A.文如其人 B.文以载道 C.知人论世 D.诗以言志
【解析】这是一道态度理解题，文段开头引用西方 现代文论观点，转折词“然而”表明中国古代观
【例1】在过去50年间，不合规范的语言使用现象激起了一场严肃 另一方是描述主义者，认为我们只能讨论语言当前的用法。规范 主义者认为，有的用法是正确的，有的是错误的，推广正确的用
的争论，一方是规范主义者，认为需要指导人们如何说话、写字；
法是坚持真理、尊敬文明的精华，纵容错误就是鼓励相对主义、
粗俗的平民主义和文学的简单化。描述主义者认为，正确的规范 是一种强制性的规则，语言是人类创造性的有机活动，人们应该
要有说明文和新闻简讯等。
没有观点类
【特点】 客观陈述，没有任何相关倾向性的评价
语义分析技术在情感分析中的应用技术
语义分析技术在情感分析中的应用技术情感分析是一种从文本、语音等中分析出个体对于某一主题表达的情感倾向的技术方法，它被广泛应用于舆情监测、用户评论分析、品牌营销等领域。
而语义分析技术则是一种基于自然语言处理和机器学习的方法，旨在理解文本的语义，从而更准确地分析其中的情感。
本文将重点探讨语义分析技术在情感分析中的应用。
一、词语级情感分析语义分析技术在词语级情感分析中发挥着重要的作用。
在情感分析中，每个词语都具有情感极性，即表达正面情感或负面情感的倾向。
传统的情感词典方法通常通过查找词典中的情感词来判断词语的情感极性，但这种方法存在词汇匹配的困难和主观事先设定情感词的局限性。
而基于语义分析的方法则能够更加准确地判断词语的情感极性。
基于语义分析的方法主要包括基于词嵌入的方法和基于知识图谱的方法。
基于词嵌入的方法通过将词语映射到低维向量空间中，利用词语在向量空间中的位置来判断其情感极性。
而基于知识图谱的方法则通过构建词语之间的关系网络来推断词语的情感极性。
这些方法能够充分利用大规模文本数据中词语的上下文信息，从而提高情感分析的准确度。
二、句子级情感分析除了词语级情感分析，语义分析技术还可以应用于句子级情感分析。
在情感分析中，句子通常包含多个词语，而这些词语之间的关系和上下文信息对于判断句子的情感倾向非常重要。
传统的句子级情感分析方法通常将句子看作是独立的单元，忽略了句子内部的语义结构。
而基于语义分析的方法则能够更好地处理句子级情感分析。
基于语义分析的方法通过对句子进行深层次的语义分析，可以更好地捕捉到句子内部的语义信息。
例如，通过语义角色标注可以识别出句子中的主语、谓语和宾语等语义角色，从而更好地理解句子的含义。
通过命名实体识别可以识别出句子中的人名、地名和机构名等关键信息，进一步加深对句子的理解。
这些语义分析技术为判断句子的情感倾向提供了更丰富、更准确的信息。
三、篇章级情感分析除了句子级情感分析，语义分析技术还可以应用于篇章级情感分析。
词语色彩
解析：本题答案为A。本题第一空比较难辨析，可从第二空入手。“通病”与前 面的“种种”语意矛盾，排除C。社会“矛盾”是客观存在的，不能因此就否定 资产阶级共和国的救国方案，排除B。由“开始怀疑资产阶级共和国的救国方案” 可知前面指的是看到了西方社会的种种不好的方面，而“现象”是一个中性词， 既可指好的方面，也可指不好的方面，不如贬义词“弊端”更能表达作者的感情
（2）文艺语体注意其文学性，尤其是散文特性。 例题2： 只要挺得过那风沙，人们总会脱去厚厚的外装，活动一下 的躯体，沉分最恰当的一项是（ ）。 Ａ．僵直 叫醒 给予 Ｂ．僵硬 唤醒 赋予Ｃ．冻僵 启发 施舍 Ｄ．冷冻 启动 送给
答案为Ｂ。阅读题干可知，原句是散文性质的文字，文学色彩比较浓厚。再看四个选项： Ａ项“叫醒”属于口头语体，且与“追求”搭配不妥，排除。因为人们穿着“厚厚的外 装”，所以不会被“冻僵”或“冷冻”，排除Ｃ、Ｄ。“唤醒”指从心灵上或听觉上叫 醒或使其明白某事，更侧重于精神层面，且拟人化的用法使其更具文学色彩。另外，为 使句子更富诗意，最后一句用“赋予”最恰当。
答案为Ｃ。第一空，“协商”、“磋商”、“洽谈”都比较书面化，但“商量” 相对来说，就比较口语化，用来形容两个国家之间的交流不合适，且Ｂ项第二 空“催促”也不符合外交辞令的语言特点，排除Ｂ。Ｄ项，“恳请”用在外交 辞令中会显得低人一等，不合句意，也排除。与“要求”相比，“敦促”更能 体现题干中“尽快”一词的含义，当选。
情感倾向性分析调研
意见挖掘研究的目的目前,互联网上的信息与日剧增,蕴藏着巨大的信息量。
但是,要想在很短的时间内获得人们对于诸如人物、事件、传媒、产品等有价值的评价信息,往往是十分困难的。
例如,对产品的各种评价出现在各大论坛、电子公告板以及门户网站上,厂商需要了解顾客使用其产品的反馈意见,潜在的购买者也需要作出是否购买某个产品的决定。
如果采用人工方式对这浩如烟海的信息进行查询、统计,显然是低效和不切合实际的。
面对这样的现实问题,意见挖掘技术应运而生。
一方面,它基于数据挖掘(Data Mining) 和文本挖掘( Text Mining) 技术,另一方面,它又具有相当的文本理解( Text U nderstanding) 的能力。
所以,它是比文本挖掘技术更接近人工智能目标的一种新技术。
它与以往的信息抽取( Information Extrac2tion) 、文本分类( Text Classification) 和文本摘要( Text Summarization) 技术不同。
虽然信息抽取和意见挖掘都需要深层的语义理解,但信息抽取主要是获取具体的语言表达结构,如命名实体、命名实体关系、事件等,这些成分一般为显式表达结构;而意见挖掘是挖掘意见的元素和它们之间的关系,即主题、意见持有者、陈述、情感和它们之间的关系,这些成分表达形式多样,而且常常不是显式地、独立地表达。
文本分类是在预定的用户需求下把文本进行分类,并没有涉及到深层次的语义理解。
文本摘要是用简练的语言表达长篇文本的中心思想,但文本中对事物的具体看法和评价则没有被清晰地提取出来。
实际上,意见挖掘技术弥补了上述这些技术的不足,是更具有应用价值的一种新技术。
意见挖掘涉及各个语言分析层面,不但涉及到词汇层(如分词和词性标注) 、句法层(如命名实体识别和语法分析) 和语义层(如语义分析) ,还涉及到篇章层(如跨句的指代消解) 。
意见挖掘与一些语言技术有关,例如,信息检索、文本分类、信息抽取、自动摘要、数据融合、问答系统、自然语言生成、对话系统、机器翻译等。
文本情感分析
研究领域
研究领域
文本情感分析的一个基本步骤是对文本中的某段已知文字的两极性进行分类，这个分类可能是在句子级、功 能级。分类的作用就是判断出此文字中表述的观点是积极的、消极的、还是中性的情绪。更高级的“超出两极性” 的情感分析还会寻找更复杂的情绪状态，比如“生气”、“悲伤”、“快乐”等等。
在文本情感分析领域，早期做出研究贡献的有 Turney和 Pang他们运用了多种方法探测商品评论和电影影 评的两极观点。此研究是建立在文档级所进行的分析。另一种文档意见的分类方式可以是多重等级的，Pang和 Snyder(among others):延伸了早先的基础两极意见研究，将电影影评分类并预测为3至4星的多重级别，而 Snyder就餐馆评论做了个深度分析，从多种不同方面预测餐馆的评分，比如食物、气氛等等 （在一个5星的等级 制度上）。尽管在大多数统计方面的分类方式中，“中性”类是经常被忽略的，因为“中性”类的文本经常是处 于一个两极分类的边缘地带，但是很多研究者指出，在每个两极化问题当中，都应该识别出三个不同的类别。进 一步的说，一些现有的分类方式例如 Max Entropy和 SVMs可以证明，在分类过程中区分出“中性”类可以帮助 提高分类算法的整体准确率。
基于络的分析方法利用万维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语义关 联度，从而对词语的情感进行分类。
基于语料库的分析方法，运用机器学习的相关技术对词语的情感进行分类。机器学习的方法通常需要先让分 类模型学习训练数据中的规律，然后用训练好的模型对测试数据进行预测。
信息抽取
通常来说，情感分析的目的是为了找出说话者/作者在某些话题上或者针对一个文本两极的观点的态度。
具体介绍
句子级
篇章级
语言词语考情分析
一、词语的考情分析选词填空主要是通过近义词的考查来完成的，因此，要准确理解词语的意义，首先要区分近义词的意义。
这种题的答题思路是词性，也就是看哪类词能和哪类词搭配。
例如形容词和副词，都可以作状语，但副词只能作状语，而形容词除了作状语外还可以作谓语、定语等。
我们可以说“异常不好”，也可以说“非常不好”，“异常”和“非常”两个词都是作状语，但“异常”还可以作定语，比如“异常情况”，还能作谓语，比如“情况异常”，但“非常”没有这种用法。
总之，这类题的关键就是看搭配。
二、近义词解题技巧突破1.词语的适用范围、对象不同如：“爱护”“爱抚”与“爱戴”“爱护”“爱抚”与“爱戴”这三个词词义相近，但存在差异，是不能混用的。
“爱护”指爱惜并保护，指人时，常用于上对下，如老师爱护学生、要爱护年轻一代；指物时，可以是具体事物，也可以是抽象事物，如爱护公物、爱护集体荣誉。
“爱抚”指疼爱抚慰，如母亲爱抚地给女儿梳妆。
“爱戴”的意思要高一层，指敬爱并拥护，只指人不指物，常用于下对上，大多用于对领袖，如老一辈无产阶级革命家受到人民的爱戴；也可用于对有名望、有突出贡献的人，如有突出贡献的专家、学者和科学家受到人民的爱戴。
对一般领导不能用“爱戴”，只能用“爱护”，如尊重领导、爱护领导。
又如：“场面”与“局面”“场面”指一定场合的情景，所表示的范围较小。
如舞台的场面、晚会的场面、婚礼的场面。
“局面”通常指一个时期内事情的状态，如稳定的局面、生动活泼的局面；也可指规模，如这家商店局面虽然不大，货色倒齐全。
书报刊上常有滥用“局面”的现象，如形容宴会“那局面真气派”，形容精彩演出“那局面真动人”，形容球赛“那局面真热烈”，这里“局面”都用错了，应用“场面”。
2.词义的轻重不同一般来说，词义的轻重主要是意义相近的动词、形容词表现出来的差别，有的词语适用于比较重要的、比较大的事物，有的则适用于一般性的事物。
有的表示的程度深、性质重，有的则表示的程度浅、性质轻。
中文情感分析综述
０ 概 述 随着互联网进入 ｗｅ２ 时代 ． ｔ ｔ 步地从 静态的信息载体 ｂ． ０ Ｉｅ 逐 ｎ ｍｅ 变成人们表达意见 、 交流情感 的平台 人们通过各种途径 ， 以各种方式 表达 自身对于各种事物 的意见 、 看法： 一热 门产 品 、 某 人物 、 新闻或股 票等 为 了更好的对它们进行加工汇总 ． 并快速找 出富有价值 的信息 提供给潜在 的用户决策 ， 情感分析技术应运而生 ． ． 情感 分析 又称意 见挖 掘 ， 是对带有情感 色彩的主观性文本进行 分析 、 、 处理 归纳和推理的过程。情感分析作为一个新兴 的研究课题 ， 具有很大 的研究价值和应用价值 ． 尽管在 国外 已经有 了一些 相对 成熟 的研 究成果 ． 但是基于 中文 与西文的 巨大差异 ． 不能直接将 国外 的技 术移植过来 ． 同时在周内又有大量的文本意见挖掘的需求。 鉴于此 ， 该 研究课题近几年来 ，始受到国内的研究机构的重视 『 １ ＝ 因情感 分析处理的大多数是非结构化或半结构 化的文本 ， 理 其处 技涉及 自 然语言处理 、 信息检索 、 信息抽取 等多学科综合 的研 究领域 ， 涉及 多项非常有挑战性的研究任务 本文将综合 已有 的中文情感分析 的研究成果 ． 根据其处理 的情感数据 的粒度将 该课 题的研 究成果分为 词语级 、 属性级和篇章级三个层次进行综述
２１ 年 ０１
第 ３ 期 １
Ｓ ＩＮ Ｅ＆Ｔ Ｃ Ｎ Ｌ Ｇ Ｆ Ｒ Ａ Ｉ Ｎ ＣＥ Ｃ Ｅ Ｈ Ｏ Ｏ ＹＩ Ｏ Ｍ ＴＯ Ｎ
Ｏ高校讲坛 ０
科技信息
中文情感分析综述
任小 燕
（ 三峡大学计算机与信息学院 湖北 宜昌 ４ ３ ０ ） ４ ０２
【 摘 要】 文从 中文词 汇褒贬性判别 、 本 文本属性倾 向性 分析 、 中文文本 的褒贬性 判断三个方面对现有 中文文本倾向性分析技术进行介绍
公考易混实词辨析
考点九：并列关系
a没有重点，应该全面，不可偏颇
b类型
并存：既A又B，互为解释——同义项
相反相对：不是A而是B（A=B的反面）——反义项
c关联词：也，也，一边一边，有的有的，既又，不是而是
关联词可以省略，用标点（；，。）表并列——用逗号隔开的要求句式相同
——可能=这是否是（同义替换）
多个关联词文段——做题步骤：首先用宏观的行文脉络确定主题句，再用微观的关联词找重点。
第二类 意图推断题
1提问方式——意在表明，意在强调，想表明，可以推断出（选项应该是可能性，而非确定性的），可以知道，告诉我们，给我们什么启示？
2做题方法
A概括材料字面含义的选项不应该选
较少量：很少，小部分，少数，少量，不多，一点点，少许，
中间量：部分，某些，一些
首选同级替换，次选中间量，较多量与较小量之间为偷换。
3偷换逻辑关系
A内部偷换：充分/必要，因果倒置（导致）
充分：只要A就B
必要：只有A才B
因为血液流动，所以心脏收缩 不等于 由于心脏收缩，所以血液流动。
通过考试才能被录取 不等于 通过考试就能被录取。
定位原文，定位出现的位置，小语境就近原则（上下文，前后句，前一句可能性更大）
提炼主宾语，人称代词重点看主语，指示代词重点看宾语。
擅于寻找到提问方式中的已知条件（这一切是泛指，这两点隐含指代两个物件）
另外，此外，除此之外，与此同时——另起话题的作用
3新的命题趋势
1词语理解题（提问方式）和代词指代题（考核实质）相结合
3做题方法（两个方面）
A从微观入手寻找关联词（标志）
- 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)。
计算语言学(基础) 汉语分词 词性标注 语法分析
模式识别(方法)ห้องสมุดไป่ตู้分类与聚类
2019/8/2
6
引言
观点挖掘的国际用语
观点挖掘 opinion mining 观点分析 opinion analysis 情感分类 sentiment classification 情感分析 sentiment analysis ……
M. Hu and B. Liu [2004] 根据同现关系抽取抽取名词、名词词组作为 属性词 再根据一些规则进行剪枝
2019/8/2
21
词语级倾向性判断
A. Popescu and O. Etzioni [2005] 使用KnowItAll系统，抽取名词和名词词组 作为属性词（规则） 再通过属性词和特定领域的同现频率进行剪 枝（统计）
2019/8/2
3
引言
为什么进行观点挖掘
个体用户对观点挖掘的需求 政府、产业界对观点挖掘的需求 互联网成为观点的重要载体
2019/8/2
4
引言
为什么进行观点挖掘
个体用户对观点挖掘的需求 政府、产业界对观点挖掘的需求 互联网成为观点的重要载体
2019/8/2
5
引言
观点挖掘的相关学科
2019/8/2
28
词语级倾向性判断
Li Z. [2009] 结合自然语言处理中未登录词的技术提高属 性词抽取的Recall（统计）
观点挖掘任务
粒度维度
篇章级（目的） 句子级（目的） 词语级（手段，工具）
2019/8/2
11
词语级倾向性判断
两类方法
基于统计/学习的方法 基于规则的方法 更多情况是两种相结合使用
2019/8/2
12
词语级倾向性判断
Hatzivassiloglou, V. and McKeown, K. R. [1997] 判断形容词的感情倾向 以and或but等连词作为分类的依据将词语分 为两类（规则） 包含词语较多的为正面倾向性（统计）
2019/8/2
22
词语级倾向性判断
J. Yi and W. Niblack [2005] 通过识别以“the”引导并且后面跟随动词 的词语或词语作为属性词，以提高准确率（规 则）
2019/8/2
23
词语级倾向性判断
C. Scaffidi, K. Bierhoff [2007] 通过在同样规模下的随机文本中词语的分布 和特定文本中分布的区别来剪枝（统计）
2019/8/2
7
引言
观点挖掘任务
情感维度
主观性判断 主观：我是猪 客观：八戒是猪
2019/8/2
8
引言
观点挖掘任务
情感维度
倾向性判断 负面：我是猪 正面：我是神
2019/8/2
9
引言
观点挖掘任务
情感维度
强度判断 轻度：我弱了 重度：我脑残
2019/8/2
10
引言
2019/8/2
26
词语级倾向性判断
Li Z. [2009] 抽取名词、动词、名词词组作为属性词，结 合词语在句子中上下文的一些信息（规则）
2019/8/2
27
词语级倾向性判断
Li Z. [2009] 根据词语在互联网集合中出现的频率和在特 定文本中的频率的比较来进行剪枝（统计）
生活 杂音
2019/8/2
24
词语级倾向性判断
B. Wang and H. Wang [2007] 对词语在句子中的自然语言特征，判断是否 为属性词，和情感词迭代进行。（学习）
2019/8/2
25
词语级倾向性判断
Li Z. [2009] 抽取名词、动词、名词词组作为属性词，结 合词语在句子中上下文的一些信息（规则） 根据词语在互联网集合中出现的频率和在特 定文本中的频率的比较来进行剪枝（统计） 结合自然语言处理中未登录词的技术提高属 性词抽取的Recall（统计）
观点挖掘的研究初步
引言
什么是观点挖掘
观点：人们对事物的看法，具有明显的主观性， 不同人对同一事物的看法存在差异
主观：我是猪 客观：八戒是猪
挖掘：发现人们对事物的看法
2019/8/2
2
引言
为什么进行观点挖掘
个体用户对观点挖掘的需求 政府、产业界对观点挖掘的需求 互联网成为观点的重要载体
认为其同义词倾向性一致，反义词相反
2019/8/2
19
词语级倾向性判断
Zhuang L. [2007] 根据句子中的语法结构，将情感词和语言环 境一起作为对象，判断倾向性。 语言环境：情感词所修饰的内容
价格太高了 它拥有很高的传输速度
属性词-情感词词对
2019/8/2
20
词语级倾向性判断
2019/8/2
16
词语级倾向性判断
一个问题：同一个词语在不同的语言环境中 会有不同的倾向性。即词语不具有固定的倾向 性。
价格太高了 它拥有很高的传输速度
2019/8/2
17
词语级倾向性判断
X. Ding, B. Liu, etc. [2008] 词典中只保留具有固定倾向性的词语 否则根据上下文判断其倾向性（规则）
2019/8/2
13
词语级倾向性判断
Turney, P. D. and Littman, M. L. [2003] 判断形容词的感情倾向 在连词的基础上，考虑了同现关系（统计）
2019/8/2
14
词语级倾向性判断
Hu, M. and Liu, B. [2004] 使用了已有的语言资源WordNet中的同义与 反义的关系，来找出属于同义倾向性的词语， 并分类（规则）
2019/8/2
18
词语级倾向性判断
规则1 句内连词
具有明显并列关系(and)和转折关系(but) 他成绩优秀，并且写作水平高 他球踢的好，但是脾气大
规则2 句内无连词
认为默认为并列关系 屏幕鲜艳，待机时间长
规则3 句间关系
认为两句之间若无明显转折关系 则并列
规则4 同反义词关系
2019/8/2
15
词语级倾向性判断
Esuli, A. and Sebastiani, F. [2005] SentiWordNet 使用了已有的语言资源WordNet中词语的注 释作为词语的特征，对注释文本进行分类。 （学习） 不只对形容词进行倾向性判断 倾向性会有程度的区分 多义项词汇会有不同倾向性