「广州越秀区私家侦探」总结和展望：情感分析研究的新视野

作者: Caroline Brun编译: 荣怀阳

简介

本文对情感分析领域做了很好的总结和展望.

假新闻，受欢迎程度，健康，财务和社会风险: 情绪分析有助于全面了解这一切. 甚至可能使我们理解原因. .

很自然，人们从一开始就对彼此的观点感兴趣. 但是，分析思想的科学工作可以追溯到20世纪初，当时人们试图从问卷中获取，分析和量化公众舆论. 同时，1937年出版了学术期刊“民意季刊”. 然而，正是社交媒体平台的出现和采用，导致了“情感分析”研究领域的诞生，以分析这种大规模在线非结构化意见资源.

通常，情感分析使用文本分析来获得舆论. 它是自然语言处理（NLP）最具吸引力的用例之一，行业和学术界对此都很感兴趣. 在情感分析中，基于nlp的数据挖掘过程和技术被用于从用户生成的内容（UGC）中提取和分析主观信息，其中大部分来自社交媒体（因为社交媒体太多）.

它可以让您测量某些产品，人员或想法的情绪（观点，也包括情绪）. 传统上，情感分析是关于观点的极性，也就是说，一个人对某人或某物是否有正面，中立或消极的看法，但也可以是关于一个人或物体的某些方面.

其受欢迎程度自然源于其广泛的用途. 客户服务，商业智能以及产品或品牌声誉管理等商业应用尤其突出. 在医疗保健中，它可用于检测药物不良反应中的异常. 它可以帮助监控金融市场中的犯罪活动或情绪，但也可以衡量公众对政治候选人的看法.

如今，任何事件都可以在社交媒体上以闪电般的速度发布，查看，评论和共享，潜在的数百万人参与其中. 情感分析是帮助人们了解所有事件并在必要时做出反应的重要工具.

随着社交媒体渠道的发展，情感分析的研究任务和方法也在不断增加. 刚开始时，情绪分析只是为英语的客户评论分配了一个全局的，全面的极性标签（正面，负面，有时是中立）. 当前的研究包括句子级主题检测，基于不同方面的情感分析，对隐喻语言的情感分析，基于主题的极性分类以及事件的隐式极性分类（例如，在没有明显的情况下取消极性标记时）识别出“令人愉快”或“不愉快”事件. 情感分类现在更多地是一种在多种语言和多种媒体资源中的位置检测和证据挖掘（使用Twitter数据已成为必要）. 任务的定义随后演变为更加复杂的挑战，其中，使用细粒度方面和基于主题的预测来丰富主观性，极性识别和观点挖掘. 极性的概念已被心理学研究中定义的情感模型所补充.

情感分析方法，算法和资源在不断发展. 现有研究已经产生了许多不同的任务，包括有监督和无监督的方法. 在有监督的环境中，早期的论文使用了各种有监督的机器学习方法（例如支持向量机，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汇，语法分析和句法模型的方法. 近年来，深度学习在其他领域的成功和普及导致其在情感分析中的应用，通常使用词嵌入来表示输入文本.

在情感分类中，递归神经网络（RNN），尤其是长短期记忆（LSTM）网络及其捕获远距离依存关系的能力在极性分类中取得了最新成果. 注意模型还可以提供有趣的结果，因为它们可以捕获有关句子中各个方面的重要信息.

NLP与深度学习方法共存. 经典的NLP方法使用语言的先验知识来降低监管水平，以确保在包括情感分析在内的各种任务上的准确性. 深度学习方法的主要缺点是它们需要大量标记数据. 这意味着一定的成本，尤其是对于复杂和结构化的语义. 有鉴于此，当前的研究趋势主张将先验语法知识整合到用于文本分析的深度学习架构中，并且一些工作在情感分析中产生了有趣的结果.

尽管人们对情感分析进行了越来越多的研究，但事实证明，针对文本中的“情感现象”，例如主观性，方面，情感，情感，语气，态度和情感，已经证明是复杂的，跨学科问题远未解决. 必须考虑许多参数，例如作者的个人资料，文本类型，样式，域，文档来源，目标语言和最终应用程序的目标. 在已发布的实验结果（通常在相对有利的环境中获得）与系统在实际环境中获得的结果之间也存在差距.