情感分析領域相關內容，非正式綜述，僅供參考。有些鏈接在可能在微信文章失效，請點擊閱讀原文獲取。

（https://blog.csdn.net/DoJintian/article/details/88356413）

簡介

情感分析或觀點挖掘是對人們對產品、服務、組織、個人、問題、事件、話題及其屬性的觀點、情感、情緒、評價和態度的計算研究。

現有研究已經產生了可用于情感分析多項任務的大量技術，包括監督和無監督方法。在監督方法中，早期論文使用所有監督機器學習方法（如支持向量機、最大熵、樸素貝葉斯等）和特征組合。無監督方法包括使用情感詞典、語法分析和句法模式的不同方法。現有多本綜述書籍和論文，廣泛地涵蓋了早期的方法和應用。

大約十年前，深度學習成為強大的機器學習技術，在很多應用領域產生了當前最優的結果，包括計算機視覺、語音識別、NLP 等。近期將深度學習應用到情感分析也逐漸變得流行。

情感分析的三種粒度

• 文檔粒度（document level）：文檔級情感分類是指為觀點型文檔標記整體的情感傾向／極性，即確定文檔整體上傳達的是積極的還是消極的觀點。因此，這是一個二元分類任務，也可以形式化為回歸任務，例如為文檔按 1 到 5 星評級。一些研究者也將其看成一個五類分類任務。

• 句子粒度（sentence level）：語句級情感分類用來標定單句中的表達情感。正如之前所討論的，句子的情感可以用主觀性分類和極性分類來推斷，前者將句子分為主觀或客觀的，而后者則判定主觀句子表示消極或積極的情感。在現有的深度學習模型中，句子情感分類通常會形成一個聯合的三類別分類問題，即預測句子為積極、中立或消極。

• 短語粒度（aspect level）：也稱為主題粒度，每一個短語代表了一個主題。與文檔級和語句級的情感分類不同，aspect level 情感分類同時考慮了情感信息和主題信息（情感一般都會有一個主題）。給定一個句子和主題特征，aspect level 情感分類可以推斷出句子在主題特征的情感極性／傾向。例如，句子「the screen is very clear but the battery life is too short.」中，如果主題特征是「screen」，則情感是積極的，如果主題特征是「battery life」，則情感是消極的。

深度學習模型

文檔/句子粒度：Kim等人（2013） 提出的CNN文本分類工作，成為句子級情感分類任務的重要baseline之一；

文檔/句子粒度：基本的lstm模型加上pooling策略構成分類模型，是通常用來做情感分析的方法；

短語粒度：Tang等人（2015） 使用兩種不同的rnn網絡，結合文本和主題進行情感分析；

短語粒度：Tang等人（2016） 結合memory-network，解決target-dedependent問題，這里的target理解為前面提過的aspect；

短語粒度：Chen等人（2017） 分別使用位置權重記憶和層疊attention的復合機制，建模target詞和文本間的相互交互關系，以解決短語級情感分類問題；

短語粒度：Schmitt1等人（2018） 將aspect和polarity結合在一起進行分類任務訓練，得到情感分析的模型；

現在流行模型：大規模語料預訓練（詞向量/Elmo/GPT/Bert）+ 深度學習分類器（lstm/cnn/transformer），一個很好的示例見AI Challenger 2018：細粒度用戶評論情感分類冠軍思路總結。

相關數據

情感詞典

• 詞性字典1 ? 詞性字典2

• 大連理工大學中文情感詞匯本體庫

• 清華大學李軍中文褒貶義詞典

• 知網情感詞典

情感數據集

• 15 Free Sentiment Analysis Datasets for Machine Learning

• 大眾點評細粒度用戶評論情感數據集

• 汽車行業用戶觀點主題及情感識別

• 電商評論情感數據

• 酒店評論語料

• SemEval-2014 Task 4數據集

• Citysearch corpus 餐館評論數據

• NLPCC2014評估任務2_基于深度學習的情感分類

• NLPCC2013評估任務_中文微博觀點要素抽取

• NLPCC2013評估任務_中文微博情緒識別

• NLPCC2013評估任務_跨領域情感分類

• NLPCC2012評估任務_面向中文微博的情感分析

• 康奈爾大學影評數據集

其他資源

• [Sentiment Analysis with LSTMs in Tensorflow](https://github.com/adeshpande3/LSTM-Sentiment-Analysis ?)

• Sentiment analysis on tweets using Naive Bayes, SVM, CNN, LSTM, etc.

• Chinese Shopping Reviews sentiment analysis

• AI Challenger 2018：細粒度用戶評論情感分類冠軍思路總結

文獻資料

• 文本情感分析綜述（騰訊語義團隊）

• Deep learning for sentiment analysis: A survey

• 情感分析資源大全

• 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.

• https://blog.csdn.net/DoJintian/article/details/88356413

請關注和分享↓↓↓?

機器學習初學者

QQ群：727137612

（注意：本站有7個qq群，加入過任何一個的不需要再加）

本站的知識星球ID：92416895

往期精彩回顧

• 良心推薦：機器學習入門資料匯總及學習建議（2018版）
  

• 黃海廣博士的github鏡像下載（機器學習及深度學習資源）

• 吳恩達老師的機器學習和深度學習課程筆記打印版
  

• 機器學習小抄-（像背托福單詞一樣理解機器學習）

• 首發：深度學習入門寶典-《python深度學習》原文代碼中文注釋版及電子書

• 科研工作者的神器-zotero論文管理工具

• 機器學習的數學基礎

• 機器學習必備寶典-《統計學習方法》的python代碼實現、電子書及課件

• 吐血推薦收藏的學位論文排版教程（完整版）

• 機器學習入門的百科全書-2018年“機器學習初學者”公眾號文章匯總

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的NLP研究方向的「情感分析领域」的简单调研的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。