微博用户情感分析main是什么

微博言论往往带有强烈的情感色彩,对微博言论的情感分析是获取用户观点态度的重要方法。许多学者都是将研究的重点集中在句子词性、情感符号以及情感语料库等方面,然而用户自身的情感倾向性并没有受到足够的重视,因此,提出了一种新的微博情感分类方法,其通过建模用户自身的情感标志得分来帮助识别语句的情感特征,具体地讲,将带有情感信息的微博语句词向量序列输入到长短期记忆网络(LSTM),并将LSTM输出的特征表示与用户情感得分进行结合作为全连接层的输入,并通过Softmax层实现了对微博文本的情感极性分类。实验表明,提出的方法UA-LSTM在情感分类任务上的表现超过的所有基准方法,并且比最优的基准方法MF-CNN在F1值上提升了34%,达到091。

关键词: 情感分析, 长短期记忆网络, 用户情感倾向

Abstract:

Micro-blog's speech often has strong sentimental color, and the sentiment analysis of Micro-blog's speech is an important way to get users' opinions and attitudes Many researchers conduct research via focusing on the parts of speech (POS), emotion symbol and emotion corpus This paper proposes a novel method for Micro-blog sentiment analysis, which aims to identify the sentiment features of a text by modeling user sentiment tendency Specifically, we construct a sentiment information embedded word embedding sequence, and input it into a long short term memory (LSTM) model to get a sentiment embedded output representation Then we merge both the user sentiment tendency score and the output representation of LSTM, and use it as the input of a fully connected layer which is followed by a softmax layer to get the final sentiment classification result The experiment shows that the performance of our proposed method UA-LSTM is better than all the baseline methods on the sentimental classification task, and it achieves the F1-score up to 091, with an improvement of 34% over the best baseline method MF-CNN

情感分析（Sentiment Analysis）

第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。

英文已经有伟大词典资源：SentiWordNet 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。

但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。

如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。

到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。

总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。

您好。您说的是情感文本分析吗？如果是的话，我觉得情感计算的分类有两大类，一类是主观性：主观、客观、中性；一类是情感倾向：褒义、贬义、中性。

文本分析的话，主要是对词、句子中观点的挖掘。

你所说的机器学习法，现在基本用于对**观点的打分系统吧。基本上就是利用分类计数，对文档中存在的情感进行分类的。

就我个人理解而言，我认为机器学习法只是情感文本分析的方法论之一，至于数据挖掘，也是通过对文档的数据收取，进行情感分析的。也是对情感文本分析的方法论之一。

所以，情感分析是主体的话，文本分类、机器学习、数据挖掘都是方式方法。这些方法可以共同应用在一个情感分析中，也可以分别独立存在。

目前英文类的文本情感分析比较多，中文类的相对少一点，你要做这方面的研究路漫漫其修远啊。嘿嘿。

一般来说，舆论舆情热点的分析可以从五个角度进行：

1舆情的滋生来源分析：通过网络舆情分析软件平台，在对全网舆情进行实时监测的同时，可自动进行舆情溯源分析，帮助用户掌握舆情发布的第一来源渠道，从而有助于联系或投诉等后续舆情处理动作的操作。

2舆情的传播路径分析：网络舆情分析软件平台-识微商情可支持舆情动态的实时监测分析，自动追踪舆情的传播路径，从而有助于用户了解舆情的整体传播现状，需要从哪些渠道进行舆情干预处理。

3舆情的转载声量分析：当舆情事件发酵后，为了评估事件造成的影响，对舆情的转载声量进行分析是必不可少的。通过网络舆情分析软件平台，可自动统计舆情在传播过程中的转载数、评论数、发布平台数等。

4舆情的情感倾向分析：众所周知，当舆情发生后，网民和媒体的情感倾向对舆情的解决起到了决定性的作用。为此，可以借助网络舆情分析软件平台-识微商情的情感倾向分析功能，对网民和媒体的正面、负面、中立等情绪进行准确分析，从而有针对性地进行引导。

5舆情的发展趋势分析：为了防止舆情的死灰复燃，或相关衍生话题滋生后造成其他负面影响，对舆情的发展趋势进行分析很重要。通过网络舆情分析软件平台可实时监测舆情的发展趋势，便于用户掌握舆情发展的脉络，做出有效的预测。

在国外提出情感分析的概念是指意见挖掘。在国外提出情感分析的概念是指通过自然语言处理、文本挖掘、计算机语言学等技术手段，对文本中的情感信息进行分析和判断，以了解文本作者的情感倾向和态度。情感分析技术最初是应用于英语等欧美语言的研究中，后来随着中文信息处理技术的发展，也被广泛应用于中文文本分析领域。

按照技术实现难度的不同，这类系统可以分成简单匹配式、模糊匹配式和段落理解式三种类型。简单匹配式辅导答疑系统主要通过简单的关键字匹配技术来实现对学生提出问题与答案库中相关应答条目的匹配，从而做到自动回答问题或进行相关辅导。模糊匹配式辅导答疑系统则在此基础上増加了同义词和反义词的匹配。这样，即使学生所提问题中按原来的关键字在答案库中找不到直接匹配的答案，但是假若与该关键字同义或反义的词能够匹配则仍可在答案库中找到相关的应答条目。段落理解式辅导答疑系统是最理想的、也是真正智能化的辅导答疑系统（简单匹配式和模糊匹配式，严格说只能称之为“自动辅导答疑系统”而非“智能辅导答疑系统”）。但是由于这种系统涉及自然语言的段落理解，对于汉语来说，这种理解涉及自动分词、词性分析、句法分析和语义分析等NLP领域的多种复杂技术，所以实现难度很大。迄今为止，在国内的网络教学中还没有一个实用化的、能真正实现汉语段落理解的智能辅导答疑系统。但是在我国有些大学的人工智能实验室或中文信息处理实验室中，已有少数研究人员正在研发这类系统的实验原型。相信在不久的将来，就会有这一类的实用性智能系统问世。这是优质网络课程的重要研究方向之一。

近年来,微博已经成为全球最受欢迎的网络应用之一,微博的快速发展使其显示出了巨大的社会价值和商业价值,人们逐渐习惯在以微博为代表的社交网络上获取、交流信息与表达情感。文本情感倾向性分析主要关注以文本方式存在的信息中的情感倾向,当庞大的数据量使得它无法手动对它们进行分析时,情感分析就开始发挥作用了。情感分析在英文世界一直是一个被广泛研究的领域,而中文情感分析的研究仍处于起步阶段,大部分工作已通过尝试被证明是适用于英文的。 首先,本文总结分析了文本倾向性分析的基本概念与算法模型,在此基础上,将心理学中的PAD情感模型引入,结合知网提供的语义相似度计算方法,提出了一种使用给定基础情感词汇与其对应PAD值计算词汇的PAD值的方法,并以此构建了一个基于PAD情感模型的情感词典。其次,本文将问题扩展到中文的文本倾向性分析研究中,提出了一种结合统计信息与语义信息的权重计算方法,通过该方法,在一定程度上消除特征歧义对于分类器的影响,使得特征的权重更贴合文本的语义,分类的效果更好。最后,本文综合中文微博文本分析研究现状,分析了现有的文本表示模型,结合机器学习中的支持向量机算法,提出了基于PAD情感语义特征的支持向量机分类方法。 实验结果表明,基于支持向量机的分类算法的效果好于k最近邻节点算法的效果。同时,本文提出的基于PAD情感语义特征的支持向量机分类方法都能够取得比较实用的效果,并对普通的支持向量机方法效果有着显著的改进。

提问

搜一搜

情感丰富和感情丰富有什么区别

查看全部32个回答

fslsc01

2013-09-13

关注

多情是说你感情比较丰富，换句话说就是你比较富有同情心，对待每个让你感动的人或事你都表现的很在意，哪怕与你无关。而且没有性别之分 感情丰富不是什么太好的事情，好像把一生背在背上前进的感觉，什么都舍不得卸下，却还是要不停地添加，于是越走越沉重。时至如今，已经到了承受的边缘，即是有心，也是力不足了。所以，从以前的“拿得起，放不下”，到现在，是拿不起，也是不愿，不敢拿起了。 情感（feeling）同情绪有联系又有区别的概念。从广义而言，它与情绪一样也是人对客观事物的态度体验。从狭义而言，它又不同于情绪，是和人的社会性需要相联系的一种较复杂而又稳定的态度体验。例如，道德感、审美感、理智感、爱与恨的体验等。从严格意义上讲，情感与情绪有以下区别：①从需要角度看，情绪是和有机体的生物需要相联系的体验形式，如喜、怒、哀、乐等；情感是同人的高级的社会性需要相联系的，如与人交往相关的友谊感，与遵守行为准则规范相关的道德感，与精神文化需要相关的美感与理智感。②从发生角度看，情绪发生较早，为人类和动物所共有，无论从种系或是个体发展来看，情感体验都发生得较晚，是人类所特有的，是个体发展到社会化进程的一定阶段才产生的，如婴幼儿的情感体验就鲜明而又丰富。③从稳定性程度看，情绪永远带有情境的性质；而情感有可能既具有情境性，又具有稳固性和长期性，稳固的情感体验是情绪概括化的结果。以上区别是相对的。情感是在情绪基础上形成的，反过来情感对情绪又产生巨大的影响，它们是一种心理活动过程的两个不同的侧面。美国心理学家普里布拉姆（K．H Pribram）指出，人的体验和感受对正在进行着的认识过程起评价和监督作用。这一解释突出地表明了情感体验的性质和作用。与情感相比，情绪着重于描述情感过程的外部表现及可测量的方面，而情感着重于表明情绪过程的主观体验方面。因此，描述人的主观体验，特别是描述客观事物与主体的思想意识（即需要、态度、观念、信念等）之间发生关系时所引起的切身体验或反映，常使用情感的概念。

回答于 2013-09-13

赞同3

下一条回答

下一条

恢复双相情感问题方式多方问药，获得老师帮助，孩子恢复正常

恢复双相情感问题方式可以去正常上学生活了，这个中医老师蛮好，推荐给你们希望能帮助到大家

襄阳琪丰生物科技有广告

挽回-教你一个聪明的处理方法-挽回其实很简单

挽回分手后一直不回我信息，但是按照老师说的去做，ta竟主动约我吃饭了。不到3天，我们就和好如初了，真的非常感谢老师的挽留方案。

广州幸福之源咨询服务广告

怎么挽回一个对你死心的女人-记住这三个挽回步骤很重。

值得一看的挽留一个人相关信息推荐

死缠烂打，卑微求和根本挽回不了爱情，挽回大忌千万要避免，教你怎么挽回一个对你死心的女人。停止一切错误的复合行为，只有用理智的挽回方法，才能重新挽回怎么挽回一个对

江苏富之都心理咨询广告

大家还在搜

情感分析

情感问题大全

怎样才能维持一段长久的感情

放下一段感情最好的办法

情感和感情

如何长久经营一段感情

一段感情让你觉得累

感情需要两个人经营

怎么挽回一个对你死心的女人-记住这三个挽回步骤很重。

值得一看的挽留一个人相关信息推荐

江苏富之都心理咨询广告

怎样让夫妻感情更好阴径的大小得看睾丸，养睾是关键

根据文中提到的情感为您推荐

瑞昌市源稀柱百货经广告

孩子出现精神异常。一个月调理恢复情感障碍症

根据文中提到的情感为您推荐

襄阳顺文信息有限公司广告

什么叫情感丰富

感情丰富，就是说接纳感觉，相信感觉，这类人从小得到父母的关爱比较多，内心深处对环境和他人有一种安全感、信赖感。因此他们不会在内心深处畏惧环境和他人，乐于接纳环境和他人。因为环境和他人总会引发自己的感觉，很多时候是陌生的感觉，这类人相信，即使感觉是陌生的，自己也不会受伤害，因此他与感觉之间有了直接的联系，感觉就丰富。 理性的人，多是些排斥感觉的人，这类人从小缺少安全感，对环境和他人有很深的不信赖，他们喜欢各种理论，用以解释生活，其实是用理论来控制生活，因为他畏惧陌生的感觉，害怕被陌生的环境和他人“吞噬”。用简洁有力的理论来掌控一切，以免生活失控，手足无措。 哲学家的感情丰富往往只是一种对自己的爱，一种“健康的自私”，哲学家大多数是单身，因为他们只能爱自己而不敢去爱别人，他们害怕被他人伤害，比如尼采既喜欢女人也害怕女人，他最终也无法去和心爱的人建立一种亲密关系。 感情丰富这个词也太模糊了，有的人喜欢狗，却没有一个朋友。应该以感情的对象为标准加以区分，分为亲密关系和非亲密关系两种感情，分别加以讨论。 比如卢梭，他在处理亲密关系上就很有问题，卡夫卡也是。卢梭的《忏悔录》我还没有去看过，以前学世界历史的时候有介绍，不过我看你是对心理学范畴的知识很感兴趣，你可以深入地去品味他的书中魅力。腹有诗书气自华，多读好书对每一个人都是有益处的，而且一开始就要读好书，等到一定程度和高度的时候，就可以度杂点。下面是我看人民日报关于读书的一个例子，很值得我们去借鉴，很多人只是读过就好了，当然也包括我自己，也许会给自己找借口，要上班……，根本没有时间去理解书本的深意……我们丢失了对内容的鉴赏能力。读书并不应该停留在读故事，读故事只是消遣，真正的读书是增加人生的分量。以文学作品为例。美国作家海明威的名作《老人与海》，写的是一个叫桑提亚哥的老渔夫，在大海里驾着一条小船打鱼，八十四天没打着鱼，生活没有着落，靠一个小孩给他四处讨吃的，到了第八十五天，他一个人下海，打到了一条大鱼，跟这条鱼较量了几天，把鱼杀死拖回港口，但一路上鱼被各种鲨鱼吃掉，等他回来时，鱼只剩下了一副骨架子。这是一部好作品。你可以把它当励志小说读，因为有大家都知道的警句：“一个人并不是生来要给打败的，你尽可以把他消灭掉，可就是打不败他。”但往深处看，是一个老人的孤独，一个失败英雄的悲歌，那种深深的孤独感才是作家想表达的。再看下去，你可以发现小说的语言奇妙、温暖，还发现它有许多象征的隐喻，更发现许多让人琢磨不透的东西。比如，作家常写老渔夫梦见狮子，狮子也是沙漠和草原上孤独的英雄，这是老人对海的恐惧吗？等等。在这些之外，你还可以读出一个作家伟大的人道主义情怀。老渔夫的那些可怜又可敬的大量内心独白，等于在和大海不停地说话，和命运不停地说话，没有激烈的言辞，没有抱怨，没有诅咒，只有卑微的乞求和敬畏，宽容和理解。当你读完全篇，读到最后一句“老头儿正在梦见狮子”时，你感到对命运的隐忍也许是最伟大的。所以，真正的阅读会读出更多的东西。求采纳

Iwipeyourmom

回答于 2017-11-22

72点赞 1评论

什么叫情感丰富

感情丰富，就是说接纳感觉，相信感觉，这类人从小得到父母的关爱比较多，内心深处对环境和他人有一种安全感、信赖感。因此他们不会在内心深处畏惧环境和他人，乐于接纳环境和他人。因为环境和他人总会引发自己的感觉，很多时候是陌生的感觉，这类人相信，即使感觉是陌生的，自己也不会受伤害，因此他与感觉之间有了直接的联系，感觉就丰富。 理性的人，多是些排斥感觉的人，这类人从小缺少安全感，对环境和他人有很深的不信赖，他们喜欢各种理论，用以解释生活，其实是用理论来控制生活，因为他畏惧陌生的感觉，害怕被陌生的环境和他人“吞噬”。用简洁有力的理论来掌控一切，以免生活失控，手足无措。 哲学家的感情丰富往往只是一种对自己的爱，一种“健康的自私”，哲学家大多数是单身，因为他们只能爱自己而不敢去爱别人，他们害怕被他人伤害，比如尼采既喜欢女人也害怕女人，他最终也无法去和心爱的人建立一种亲密关系。 感情丰富这个词也太模糊了，有的人喜欢狗，却没有一个朋友。应该以感情的对象为标准加以区分，分为亲密关系和非亲密关系两种感情，分别加以讨论。

鬼鬼令尊丶剤欧

回答于 2016-01-17

8浏览

— 为你推荐更多精彩内容 —

正在加载