文本情感分析

✍ dations ◷ 2025-07-04 10:45:51 #文本情感分析
文本情感分析(也称为意见挖掘)是指用自然语言处理、文本挖掘以及计算机语言学等方法来识别和提取原素材中的主观信息。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。这个态度或许是他或她的个人判断或是评估,也许是他当时的情感状态(就是说,作者在做出这个言论时的情绪状态),或是作者有意向的情感交流(就是作者想要读者所体验的情绪)。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。另一种判定文本情绪的方法是利用比例换算系统。当一个词普遍被认为跟消极、中性或是积极的情感有关联时,将这个词赋予一个-10到+10之中的数字级别(最消极到最正向情感),在使用自然语言处理来分析一个非结构化文本数据后,余下的的概念也可以被分析来得出词与概念的相关性。 接下来,每一个概念都可以被赋予一个分数,这个分数是基于情感词汇和这个概念的关联度,以及他们本身的分数而得出的。这个方法让文本情感的理解晋升到一个更加智能的层面,并且是基于一个11分的等级范围的。另外一种方法是,计算出文本正向的和消极的情感力度分数, 如果研究的目的是要判定一个文本的感情,而不是总体文本集的两极分布或文字的力度。另一个研究方向是“主观/客观 识别”。这个研究 通常被定义为将一个已知文本(一般是句子)分类成两个类:主观和客观。这个问题有些时候比两极化分类问题更难解决。 主观词汇和短语可能是基于前后文语意联系,而一个客观文档有可能包含主观语句(e.g. 一篇新闻引用了某人的观点)。此外, Su 也曾提到过,得到的结论在很大程度上依赖于注释文本时对“主观”的定义。不过, Pang 证实了如果两极分类前去除文件中的客观语句,会提高算法的表现。一个更加优化的分析模型叫做“功能/属性为基础的情感分析(feature/aspect-based sentiment analysis)”。这是指判定针对一个实体在某一个方面或者某一功能下表现出来的意见或是情感, e.g. 一个实体可能是一个手机,一个电子相机,或者空白。一个“功能”或者“方面”是一件实体的某个属性或者组成部分,e.g.一个手机的屏幕,一个相机的成像质量,等等。 这个问题涉及到若干个子问题,譬如,识别相关的实体,提取他们的功能/属性,然后判断是否在提及这个功能/属性时有正面或者负面或者中性的情绪或意见。 更多关于这个层面的文本情感分析可以参照NLP手册“情感分析和主观性”这一章。现有的文本情感分析的途径大致可以集合成四类:关键词识别、词汇关联、统计方法和概念级技术。 关键词识别是利用文本中出现的清楚定义的影响词(affect words),例如“开心”、“难过”、“伤心”、“害怕”、“无聊”等等,来影响分类。词汇关联除了侦查影响词以外,还附于词汇一个和某项情绪的“关联”值。 统计方法通过调控机器学习中的元素,比如潜在语意分析(latent semantic analysis),SVM(support vector machines),词袋(bag of words),等等。(参见Peter Turney在相关领域的研究成果。)一些更智能的方法意在探测出情感持有者(保持情绪状态的那个人)和情感目标(让情感持有者产生情绪的实体)。要想挖掘在某语境下的意见,或是获取被给予意见的某项功能,需要使用到语法之间的关系。语法之间互相的关联性经常需要通过深度解析文本来获取。与单纯的语义技术不同的是,概念级的算法思路权衡了知识表达(knowledge representation)的元素,比如知识本体 (ontologies)、语义网络(semantic networks),因此这种算法也可以探查到文字间比较微妙的情绪表达。例如, 分析一些没有明确表达相关信息的概念,但是通过他们对于明确概念的不明显联系来获取所求信息。有很多开源软件使用机器学习(machine learning)、统计、自然语言处理的技术来计算大型文本集的情感分析, 这些大型文本集合包括网页、网络新闻、网上讨论群、网络评论、博客和社交媒介。

相关

  • 基因基因(英语:gene)在生物学中指DNA或RNA内编码基因产物(RNA或蛋白质)的合成的核苷酸序列。基因也可视作基本遗传单位,亦即一段具有功能性的DNA或RNA序列。弄清其序列本身的过程叫基
  • 口腔颌面外科学口腔颌面外科(英语:Oral and Maxillofacial Surgery)是一个现代医疗的外科,该外科主要治理头部、颈部、脸部、下颌、口腔和颌面部位,包括软组织和硬组织的损伤和疾病,并通过药物及
  • 迎宾馆坐标:35°40′48″N 139°43′43″E / 35.68000°N 139.72861°E / 35.68000; 139.72861迎宾馆赤坂离宫(日语:迎賓館赤坂離宮/げいひんかんあかさかりきゅう Geihinkan Akasaka
  • 肉食动物肉食性动物是指主要吃肉类的动物,跟草食性动物相较下肉食性动物有较好的立体视觉,其双眼多集中向前。肉食动物也可以吃腐肉或吸血。哺乳纲食肉目的动物大都是肉食性动物,但也有
  • 海带目见内文海带目是褐藻纲之下一个目级的海藻分类单元,现时包括有约30个属。 这些海带生长于浅海海洋底下的海藻林:一种类似于陆地上森林的海洋植物群落,估计从中新世(即500到2300万
  • 化能营养化能合成作用(英语:Chemosynthesis),是一些细菌等自养生物通过将无机物分子(如氢气、硫化氢或甲烷)氧化,再利用氧化获得的化学能将一碳无机物(如二氧化碳)和水合成有机物的营养方式。
  • ΙIota(大写Ι,小写ι,中文音译:约塔),是第九个希腊字母。在希腊语中,若一个单字的辅音一个字母是小写iota,要把该字母写成 ℩,此字母又称turned iota(Unicode: U+2129)。在英语,ι有时用
  • 查谟和克什米尔查谟和克什米尔(Jammu and Kashmir)是一个位于印度北部的中央直辖区,分为查谟和克什米尔山谷两个专区,为印度控制的克什米尔的一部分。该地南面与旁遮普和喜马偕尔邦接壤,东北部
  • 诺里什罗纳德·乔治·雷伊福特·诺里什(英语:Ronald George Wreyford Norrish,1897年11月9日-1978年6月7日),英国化学家,1967年获诺贝尔化学奖。1897年出生于英国剑桥。1978年逝世于英国
  • 磷钨酸12磷钨酸、12钨磷酸磷钨酸(英语:Phosphotungstic acid),简称PTA,英文名称也作tungstophosphoric acid,简称TPA,是化学式为H3PW12O40的杂多酸,平常会以水合物的形式出现,EPTA是磷钨酸