综述：一文带你了解情感分析的方法有几种

©原创作者 | 双鸭山学长

摘要：

文本情感分析是自然语言处理领域的一个重要分支，广泛应用于舆情分析和内容推荐等方面，是近年来的研究热点。根据使用的不同方法，将其划分为基于情感词典的情感分析方法、基于传统机器学习的情感分析方法、基于深度学习的情感分析方法。通过对这三种方法进行对比，分析其研究成果，并对不同方法的优缺点进行归纳总结。

输入一段文字，然后电子系统自动反馈给你这段文字有怎样的情感导向，是正面积极的评价还是负面消极的吐槽,这种神奇的功能就是文本情感分析，又 称 意 见 挖 掘（Ｏｐｉｎｉｏｎ Ｍｉｎ－ｉｎｇ），是指对带有情感色彩的主观性文本进行采集、处理、分析、归纳和推理的过程，涉及到人工智能、机器学习、数据挖掘、自然语言处理等多个研究领域。

文本情感分析在当下信息产业时代具有重要作用：在舆情分析方面，通过对热点事件进行情感剖析，寻找情感原因，对政府了解民意，预防危害事件的发生具有一定的意义；在情感对话方面，情感机器人可以抚慰心灵，充当情感陪护的角色；在商品和服务评论分析方面，对评价对象和评价表达进行抽取，识别评论中的情感倾向性，对消费者挑选商品，商家改进商品/服务具有一定的辅助作用。

下面我们就来了解一下怎样进行情感分析。

根据使用的不同方法，将情感分析方法分为：基于情感词典的情感分析方法、基于传统机器学习的情感分析方法、基于深度学习的情感分析方法。情感分析方法如图1所示：

图1

2.1 情感词典方法

基于情感词典的方法，是指根据不同情感词典所提供的情感词的情感极性，来实现不同粒度下的情感极性划分，该方法的一般流程如图2所示，常见的情感词典如表1所示：

图2

表1

首先是将文本输入，通过对数据的预处理（包含去噪、去除无效字符等），接着进行分词操作，然后将情感词典中的不同类型和程度的词语放入模型中进行训练，最后根据情感判断规则将情感类型输出。

现有的情感词典大部分都是人工构造，按照划分的不同粒度，现有的情感分析任务可以划分为词、短语、属性、句子、篇章等级别。

人工构建情感词典需要花费很大的代价，需要阅读大量的相关资料和现有的词典，通过总结概括含有情感倾向的词语，并对这些词语的情感极性和强度进行不同程度的标注。

优缺点：基于情感词典的方法可以准确反映文本的非结构化特征，易于分析和理解。在这种方法中，当情感词覆盖率和准确率高的情况下，情感分类效果比较准确。

但这种方法仍然存在一定的缺陷：基于情感词典的情感分类方法主要依赖于情感词典的构建，但由于现阶段网络的快速发展，信息更新速度的加快，出现了许多网络新词，对于许多类似于歇后语、成语或网络特殊用语等新词的的识别并不能有很好的效果，现有的情感词典需要不断地扩充才能满足需要；情感词典中的同一情感词可能在不同时间、不同语言或不同领域中所表达的含义不同，因此基于情感词典的方法在跨领域和跨语言中的效果不是很理想；在使用情感词典进行情感分类时，往往考虑不到上下文之间的语义关系。

因此对基于情感词典的方法还需要