深圳私人侦探推荐

文本情感分析 赵妍妍， 秦兵， 刘挺 - 软件学报, 2010 - jos.org.cn 按粒度，情感分析可分为词语级、短语级、句子级、篇章级、多篇章级；按文本类别，可分为基于新闻评论和基于产品的情感分析。情感分析的研究任务：情感信息的抽取、分类以及检索与归纳。一、情感信息抽取(评价词语、评价对象、观点持有者)1. 评价词语的抽取：基于语料库的抽取；基于词典的抽取；基于图的方法。2. 评价对象的抽取：基于规则/模板的方法(词序列、词性、句法规则、关联规则挖掘)；评价对象最为产品属性，考察评价对象与领域指示词的关联度来获取；多粒度的话题模型方法。3. 观点持有者抽取：命名实体识别技术(人名或机构名)、语义角色标注；分类任务，看做序列标注问题，使用 CRF 融合特征抽取；名词短语作为候选情感分析，使用 ME 模型计算。4. 组合评价单元的抽取：主观表达式：Wiebe 的主观表达式库(抽取 n 元词语/词组作为候选，对比训练预料判断)评价短语抽取(程度副词‐评价词语)：情感词典的方法；依存句法解构(ADV，ATT，DE)。评价搭配抽取(评价词语‐评价对象)：基于模板的方法(8 个共现模板、句法关系模板)。

二、情感信息分类1. 主客观信息分类：文本是否含情感知识方法；组合评价单元判断；情感模板识别；基于分类器和分类特征的二元分类任务(词语特征，标点、人称代词、数字特征，基于图)；2. 主观信息情感分类(句子级、篇章级)：基于情感知识、基于特征分类的方法(n‐gram 词语特征和词性特征、位置特征、评价词特征)。三、情感信息的检索与归纳1． 情感信息检索2． 情感信息归纳基于产品属性的情感文摘：识别评论信息中的产品属性，抽取描述产品属性的情感句，判断其倾向性。基于情感标签的情感文摘：标签可定义为评价搭配形式，建立标签库，相似度聚类的方法聚类得到相似的情感标签，每一类视为潜在的话题(即产品属性)。基于新闻评论的文摘四、情感分析的评测与资源1. 情感分析的评测：TREC，NTCIR 的 MOAT(新闻观点检测，情感问答，跨语言情感分析)，国内的 COAE。2. 情感分析的语料：康奈尔大学的影评数据集，UIC 的 Hu 和 Liu 的产品领域的评论语料，Wiebe 的 MPQA 新闻评论深度标注语料，MIT 的多角度餐馆评论语料，中科院的中文酒店评论语料。3. 词典资源：GI(generalinquirer)评价词词典，NTU 评价词词典(繁体中文)，主观词词典(英文)，HowNet 评价词词典(简体中文、英文)问题：情感信息抽取忽略词语所在语境的影响；评价对象的情感分类，而非句子级或篇章级；基于情感标签的情感文摘的深入研究；基于层次结构的多策略中文微博情感分析和特征抽取谢丽星， 周明， 孙茂松 - 中文信息学报, 2012 - nlp.csai.tsinghua.edu.cn 三种情感分析方法的研究：表情符号的规则方法、情感词典的规则方法、基于 SVM 的层次结构的多策略方法。

主题无关的情感分析：不关心情感极性所描述的对象，有基于词典的方法、有监督的机器学习和无监督的方法。主题相关的情感分析：基于规则的方法；基于特征(属性)的方法。主客观分类特征、极性分类特征：链接、表情、情感词典、情感短语、上下文微博消息句子构成特征：首句、尾句情感极性，正负中情感句数主题相关的句子筛选：包含主题词的句子、零指代情感、主题词相邻的一定范围内。本文中主题无关的最佳组合方法：单句用一步三分类，特征为表情+词典+短语+上下文，整体为句子组成 SVM，特征为首句尾句极性+三种情感极性句子数。主题相关的特征(本文提供主题词来获取数据)：测试三种主题相关句子筛选方法。本文后续工作：构建网络用语词典；深入研究主题相关的特征；构建图模型。Cross‐LingualMixtureModelforSentimentClassification X Meng, F Wei, X Liu, M Zhou, G Xu… - Proceedings of the 50th …, 2012 - dl.acm.org 问题：英语的标记数据比其他语言多，很多现存的方法都是直接用机器翻译将源语言翻译为目标语言，以获取标记数据，但是翻译后的词典覆盖率有限，且翻译本身的准确性限制。