情感分析领域相关内容，非正式综述，仅供参考。有些链接在可能在微信文章失效，请点击阅读原文获取。

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

简介

情感分析或观点挖掘是对人们对产品、服务、组织、个人、问题、事件、话题及其属性的观点、情感、情绪、评价和态度的计算研究。

现有研究已经产生了可用于情感分析多项任务的大量技术，包括监督和无监督方法。在监督方法中，早期论文使用所有监督机器学习方法（如支持向量机、最大熵、朴素贝叶斯等）和特征组合。无监督方法包括使用情感词典、语法分析和句法模式的不同方法。现有多本综述书籍和论文，广泛地涵盖了早期的方法和应用。

大约十年前，深度学习成为强大的机器学习技术，在很多应用领域产生了当前最优的结果，包括计算机视觉、语音识别、NLP 等。近期将深度学习应用到情感分析也逐渐变得流行。

情感分析的三种粒度

• 文档粒度（document level）：文档级情感分类是指为观点型文档标记整体的情感倾向／极性，即确定文档整体上传达的是积极的还是消极的观点。因此，这是一个二元分类任务，也可以形式化为回归任务，例如为文档按 1 到 5 星评级。一些研究者也将其看成一个五类分类任务。

• 句子粒度（sentence level）：语句级情感分类用来标定单句中的表达情感。正如之前所讨论的，句子的情感可以用主观性分类和极性分类来推断，前者将句子分为主观或客观的，而后者则判定主观句子表示消极或积极的情感。在现有的深度学习模型中，句子情感分类通常会形成一个联合的三类别分类问题，即预测句子为积极、中立或消极。

• 短语粒度（aspect level）：也称为主题粒度，每一个短语代表了一个主题。与文档级和语句级的情感分类不同，aspect level 情感分类同时考虑了情感信息和主题信息（情感一般都会有一个主题）。给定一个句子和主题特征，aspect level 情感分类可以推断出句子在主题特征的情感极性／倾向。例如，句子「the screen is very clear but the battery life is too short.」中，如果主题特征是「screen」，则情感是积极的，如果主题特征是「battery life」，则情感是消极的。

深度学习模型

1. 文档/句子粒度：Kim等人（2013） 提出的CNN文本分类工作，成为句子级情感分类任务的重要baseline之一；

   

2. 文档/句子粒度：基本的lstm模型加上pooling策略构成分类模型，是通常用来做情感分析的方法；

3. 短语粒度：Tang等人（2015） 使用两种不同的rnn网络，结合文本和主题进行情感分析；

   

4. 短语粒度：Tang等人（2016） 结合memory-network，解决target-dedependent问题，这里的target理解为前面提过的aspect；

   

5. 短语粒度：Chen等人（2017） 分别使用位置权重记忆和层叠attention的复合机制，建模target词和文本间的相互交互关系，以解决短语级情感分类问题；

   

6. 短语粒度：Schmitt1等人（2018） 将aspect和polarity结合在一起进行分类任务训练，得到情感分析的模型；

   

7. 现在流行模型：大规模语料预训练（词向量/Elmo/GPT/Bert）+ 深度学习分类器（lstm/cnn/transformer），一个很好的示例见AI Challenger 2018：细粒度用户评论情感分类冠军思路总结。

相关数据

情感词典

• 词性字典1   词性字典2

• 大连理工大学中文情感词汇本体库

• 清华大学李军中文褒贬义词典

• 知网情感词典

情感数据集

• 15 Free Sentiment Analysis Datasets for Machine Learning

• 大众点评细粒度用户评论情感数据集

• 汽车行业用户观点主题及情感识别

• 电商评论情感数据

• 酒店评论语料

• SemEval-2014 Task 4数据集

• Citysearch corpus 餐馆评论数据

• NLPCC2014评估任务2_基于深度学习的情感分类

• NLPCC2013评估任务_中文微博观点要素抽取

• NLPCC2013评估任务_中文微博情绪识别

• NLPCC2013评估任务_跨领域情感分类

• NLPCC2012评估任务_面向中文微博的情感分析

• 康奈尔大学影评数据集

其他资源

• [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：细粒度用户评论情感分类冠军思路总结

文献资料

• 文本情感分析综述（腾讯语义团队）

• Deep learning for sentiment analysis: A survey

• 情感分析资源大全

• 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

请关注和分享↓↓↓ 

机器学习初学者

QQ群：727137612

（注意：本站有7个qq群，加入过任何一个的不需要再加）

本站的知识星球ID：92416895

往期精彩回顾

• 良心推荐：机器学习入门资料汇总及学习建议（2018版）

• 黄海广博士的github镜像下载（机器学习及深度学习资源）

• 吴恩达老师的机器学习和深度学习课程笔记打印版

• 机器学习小抄-（像背托福单词一样理解机器学习）

• 首发：深度学习入门宝典-《python深度学习》原文代码中文注释版及电子书

• 科研工作者的神器-zotero论文管理工具

• 机器学习的数学基础

• 机器学习必备宝典-《统计学习方法》的python代码实现、电子书及课件

• 吐血推荐收藏的学位论文排版教程（完整版）

• 机器学习入门的百科全书-2018年“机器学习初学者”公众号文章汇总