什么是情绪分析？基本指南

情感分析用于了解文本中的观点、情感和态度。情绪分析也称为情绪分类或观点挖掘，允许您通过提取特定单词或短语来确定内容是正面、消极还是中性。情绪分析的主要目的是分析公众对某些产品、事件、人或想法的看法。

过去几年来，该领域取得了重大进展，这主要是由于用户生成的情绪分析数据空前增长。它现在有无数的应用，为大企业、政治、心理学和社会学提供见解。

本基本指南旨在概述情绪分析：基本面、各种类型的情绪分类、工作原理、应用和该领域面临的挑战。我们直接跳进去吧！

什么是情绪？

与客观事实相反，情感是用于描述一个人对特定主题或主题的感受的主观表达。虽然许多人可以互换使用“情感”和“情感”，但这两个概念之间存在根本区别。情绪意味着对目标更有组织的倾向，而情感则描述了非自愿的生理反应。

在文本中，情感可以用两种不同的方式表达。它可以是露骨的，直接表达意见（例如，“这种巧克力很好吃”），也可以是隐含的，文本暗示意见（例如，“我的智能手机在短短一周内就坏了”）。大多数情绪分析研究都集中在露骨的情绪上，因为通常更容易发现和分析。

情感的目标可以是一个对象、一个概念、一个事件、一个人或几乎任何东西。在电影或产品评论的情况下，通常很容易发现文本的主题。

为了衡量观点，情绪评分通常由两个方面组成：极性和强度。

情绪极性是指情绪的方向（从消极到积极）。

情感强度描述了情感的力量（从低到高）。

为什么情绪分析很重要？

无论您是进行市场调查还是做出简单的日常决策，在做出自己的选择之前，我们都会听取其他人的意见。包含数百万电影收视率、论坛线程、社交媒体帖子、消费者报告和餐厅评论的网络平台使互联网上的任何人都可以随时获得消费者意见。大量的用户生成内容为文本分析提供了成熟的信息宝库。

好的情绪分析引擎可以自动将原始的非结构化内容转换为结构化数据，概述如何接收产品、服务或品牌。这些数据反过来对商业应用、决策者、社会科学家等非常有用。通过积极监控消费者的态度和意见，最终用户能够检测到意见的微妙变化，并随时适应受众不断变化的需求。

而情绪分析可以辅助机器人在与人对话中进行识别，根据不同情绪选择相适应的回答。

情绪分析的目标

情绪分析可以进一步简化为两个单独的任务：

主观性分类：将文本分类为客观或主观。

极性分类：将文本归类为积极、消极或中立的观点。

这个过程发生在许多结构层面，从整个文档到单个单词。为您的用例选择适当的情绪识别级别可以大大提高模型的准确性和覆盖范围。一般来说，情绪识别在三个不同的层面上进行：

文件级别：在这个级别上，目标是对整个文档的情绪进行分类。例如，对于电子商务平台上的客户评论，系统确定每个评论是对产品的总体正面还是负面意见。

句子级：稍微详细的分析，句子级情绪识别的任务为每个句子生成分数。这比文档级分析提供了更大的准确性和覆盖范围。

实体/方面层面：方面层面的情绪识别不是看语言结构，如段落或句子，而是通过直接查看观点本身来采取更精细的方法。在这个级别上，对所有实体进行分析，并为每个实体分配细粒度情绪评分。

情绪分析方法

大规模情绪分析有两种主要方法：

基于规则的方法：也称为语义方法，这些算法根据一组手动定义的规则进行情绪识别。这通常是一种自上而下的方法，因为您试图编写模拟领域专家知识的规则。

自动方法：这描述了任何依赖机器学习技术来提取、识别或描述文本情感的方法。这些技术通常更具归纳性，找到模式和规律，并使用它们来生成结构，而不是模仿专家的思维。

这些方法中的每一种都需要大量的人类参与，至少在最初是这样。为了使情感分析模型发挥作用，人类注释员必须首先标记他们对单个单词或短文本情感的感知。这种情感标签是语言、领域甚至特定主题的。