人工智能技术应用：情感分析概述

与其他的人工智能技术相比，情感分析(Sentiment Analysis)显得有些特殊，因为其他的领域都是根据客观的数据来进行分析和预测，但情感分析则带有强烈的个人主观因素。情感分析的目标是从文本中分析出人们对于实体及其属性所表达的情感倾向以及观点，这项技术最早的研究始于2003年Nasukawa和Yi两位学者的关于商品评论的论文。

随着推特等社交媒体以及电商平台的发展而产生大量带有观点的内容，给情感分析提供了所需的数据基础。时至今日，情感识别已经在多个领域被广泛的应用。例如在商品零售领域，用户的评价对于零售商和生产商都是非常重要的反馈信息，通过对海量用户的评价进行情感分析，可以量化用户对产品及其竞品的褒贬程度，从而了解用户对于产品的诉求以及自己产品与竞品的对比优劣。在社会舆情领域，通过分析大众对于社会热点事件的点评可以有效的掌握舆论的走向。在企业舆情方面，利用情感分析可以快速了解社会对企业的评价，为企业的战略规划提供决策依据，提升企业在市场中的竞争力。在金融交易领域，分析交易者对于股票及其他金融衍生品的态度，为行情交易提供辅助依据。

目前，绝大多数的人工智能开放平台都具备情感分析的能力，如图所示是玻森中文语义开放平台的情感分析功能演示，可以看出除了通用领域的情感分析外，还有汽车、厨具、餐饮、新闻和微博几个特定领域的分析。

那么到底什么是情感分析呢？从自然语言处理技术的角度来看，情感分析的任务是从评论的文本中提取出评论的实体，以及评论者对该实体所表达的情感倾向，自然语言所有的核心技术问题，例如：词汇语义，指代消解，此役小气，信息抽取，语义分析等都会在情感分析中用到。因此，情感分析被认为是一个自然语言处理的子任务，我们可以将人们对于某个实体目标的情感统一用一个五元组的格式来表示：(e,a,s,h,t)

以图为例，e是指某餐厅，a为该餐厅的性价比属性，s是对该餐厅的性价比表示了褒义的评价，h为发表评论者本人，t是19年7月27日。所以这条评论的情感分析可以表示为五元组（某餐厅，性价比，正向褒义，评论者，19年7月27日）。

情感分析根据处理文本颗粒度的不同，大致可以分为三个级别的任务，分别是篇章级、句子级和属性级。我们分别来看一下。

1 篇章级情感分析

篇章级情感分析的目标是判断整篇文档表达的是褒义还是贬义的情感，例如一篇书评，或者对某一个热点时事新闻发表的评论，只要待分析的文本超过了一句话的范畴，即可视为是篇章级的情感分析。

对于篇章级的情感分析而言有一个前提假设，那就是全篇章所表达的观点仅针对一个单独的实体e，且只包含一个观点持有者h的观点。这种做法将整个文档视为一个整体，不对篇章中包含的具体实体和实体属性进行研究，使得篇章级的情感分析在实际应用中比较局限，无法对一段文本中的多个实体进行单独分析，对于文本中多个观点持有者的观点也无法辨别。

例如评价的文本是：“我觉得这款手机很棒。”评价者表达的是对手机整体的褒义评价，但如果是：“我觉得这款手机拍照功能很不错，但信号不是很好”这样的句子，在同一个评论中出现了褒义词又出现了贬义词，篇章级的分析是无法分辨出来的，只能将其作为一个整体进行分析。

不过好在有很多的场景是不需要区分观点评价的实体和观点持有者，例如在商品评论的情感分析中，可以默认评论的对象是被评论的商品，评论的观点持有者也是评论者本人。当然，这个也需要看被评论的商品具体是什么东西，如果是亲子旅游这样的旅游服务，那么评论中就很有可能包含一个以上的观点持有者。

在实际工作中，篇章级的情感分析无法满足我们对于评价更细致，如果需要对评论进行更精确，更细致的分析，我们需要拆分篇章中的每一句话，这就是句子级的情感分析研究的问题。

2 句子级情感分析

与篇章级的情感分析类似，句子级的情感分析任务是判断一个句子表达的是褒义还是贬义的情感，虽然颗粒度到了句子层级，但是句子级分析与篇章级存在同样的前提假设是，那就是一个句子只表达了一个观点和一种情感，并且只有一个观点持有人。如果一个句子中包含了两种以上的评价或多个观点持有人的观点，句子级的分析是无法分辨的。好在现实生活中，绝大多数的句子都只表达了一种情感。

既然句子级的情感分析在局限性上与篇章级是一样的，那么进行句子级的情感分析意义何在呢？关于这个问题，需要先解释一下语言学上主观句与客观句的分别。在我们日常用语当中，根据语句中是否带有说话人的主观情感可以将句子分为主观句和客观句，例如：“我喜欢这款新手机。”就是一个主观句，表达了说话人内心的情感或观点，而：“这个APP昨天更新了新功能。”则是一个客观句，陈述的是一个客观事实性信息，并不包含说话人内心的主观情感。通过分辨一个句子是否是主观句，可以帮助我们过滤掉一部分不含情感的句子，让数据处理更有效率。

但是在实操过程中，我们会发现这样的分类方法似乎并不是特别准确，因为一个主观句也可能没有表达任何的情感信息，知识表达了期望或者猜测，例如：“我觉得他现在已经在回家的路上了。”这句话是一个主观句，表达了说话人的猜测，但是并没有表达出任何的情感。而客观句也有可能包含情感信息，表明说话者并不希望这个事实发生，例如：“昨天刚买的新车就被人刮花了。”这句话是一个客观句，但结合常识我们会发现，这句话中其实是包含了说话人的负面情感。

所以，仅仅对句子进行主客观的分类还不足以达到对数据进行过滤的要求，我们需要的是对句子是否含有情感信息进行分类，如果一个句子直接表达或隐含了情感信息，则认为这个句子是含有情感观点的，对于不含情感观点的句子则可以进行过滤。目前对于句子是否含有情感信息的分类技术大多都是采用有监督的学习算法，这种方法需要大量的人工标注数据，基于句子特征来对句子进行分类。

总之，我们可以将句子级的情感分析分成两步，第一步是判断待分析的句子是否含有观点信息，第二步则是针对这些含有观点信息的句子进行情感分析，发现其中情感的倾向性，判断是褒义还是贬义。关于分析情感倾向性的方法与篇章级类似，依然是可以采用监督学习或根据情感词词典的方法来处理，我们会在后续的小节详细讲解。

句子级的情感分析相较于篇章级而言，颗粒度更加细分，但同样只能判断整体的情感，忽略了对于被评价实体的属性。同时它也无法判断比较型的情感观点，例如：“A产品的用户体验比B产品好多了。”对于这样一句话中表达了多个情感的句子，我们不能将其简单的归类为褒义或贬义的情感，而是需要更进一步的细化颗粒度，对评价实体的属性进行抽取，并将属性与相关实体之间进行关联，这就是属性级情感分析。

3 属性级情感分析

上文介绍的篇章级和句子级的情感分析，都无法确切的知道评价者喜欢和不喜欢的具体是什么东西，同时也无法区分对某一个被评价实体的A属性持褒义倾向，对B属性却持贬义倾向的情况。但在实际的语言表达中，一个句子中可能包含了多个不同情感倾向的观点，例如：“我喜欢这家餐厅的装修风格，但菜的味道却很一般。”类似于这样的句子，很难通过篇章级和句子级的情感分析了解到对象的属性层面。

为了在句子级分析的基础上更加细化，我们需要从文本中发现或抽取评价的对象主体信息，并根据文本的上下文判断评价者针对每一个属性所表达的是褒义还是贬义的情感，这种就称之为属性级的情感分析。属性级的情感分析关注的是被评价实体及其属性，包括评价者以及评价时间，目标是挖掘与发现评论在实体及其属性上的观点信息，使之能够生成有关目标实体及其属性完整的五元组观点摘要。具体到技术层面来看，属性级的情感分析可以分为以下6个步骤：

关于文本中的实体抽取和指代消解问题，我们已经在知识图谱的相关章节中做了介绍，这里就不再赘述。针对篇章级、句子级、属性级这三种类型的情感分析任务，人们做了大量的研究并提出了很多分类的方法，这些方法大致可以分为基于词典和基于机器学习两种，下面我们进行详细的讲解。

做情感分析离不开情感词，情感词是承载情感信息最基本的单元，除了基本的词之外，一些包含了情感含义的短语和成语我们也将其统称为情感词。基于情感词典的情感分析方法，主要是基于一个包含了已标注的情感词和短语的词典，在这个词典中包括了情感词的情感倾向以及情感强度，一般将褒义的情感标注为正数，贬义的情感标注为负数。

具体的步骤如图所示，首先将待分析的文本先进行分词，并对分词后的结果做去除停用词和无用词等文本数据的预处理。然后将分词的结果与情感词典中的词进行匹配，并根据词典标注的情感分对文本进行加法计算，最终的计算结果如果为正则是褒义情感，如果为负则是贬义情感，如果为0或情感倾向不明显的得分则为中性情感或无情感。

情感词典是整个分析流程的核心，情感词标注数据的好坏直接决定了情感分类的结果，在这方面可以直接采用已有的开源情感词典，例如BosonNLP基于微博、新闻、论坛等数据来源构建的情感词典，知网（Hownet）情感词典，台湾大学简体中文情感极性词典（NTSUSD），snownlp框架的词典等，同时还可以使用哈工大整理的同义词词林拓展词典作为辅助，通过这个词典可以找到情感词的同义词，拓展情感词典的范围。

当然，我们也可以根据业务的需要来自己训练情感词典，目前主流的情感词词典有三种构建方法：人工方法、基于字典的方法和基于语料库的方法。对于情感词的情感赋值，最简单的方法是将所有的褒义情感词赋值为+1，贬义的情感词赋值为-1，最后进行相加得出情感分析的结果。

但是这种赋值方式显然不符合实际的需求，在实际的语言表达中，存在着非常多的表达方式可以改变情感的强度，最典型的就是程度副词。程度副词分为两种，一种是可以加强情感词原本的情感，这种称之为情感加强词，例如“很好”相较于“好”的情感程度会更强烈，“非常好”又比“很好”更强。另外一种是情感减弱词，例如“没那么好”虽然也是褒义倾向，但情感强度相较于“好”会弱很多。如果出现了增强词，则需要在原来的赋值基础上增加情感得分，如果出现了减弱词则需要减少相应的情感得分。

另一种需要注意的情况是否定词，否定词的出现一般会改变情感词原本的情感倾向，变为相反的情感，例如“不好”就是在“好”前面加上了否定词“不”，使之变成了贬义词。早期的研究会将否定词搭配的情感词直接取相反数，即如果“好”的情感倾向是+1，那么“不好”的情感倾向就是-1。但是这种简单粗暴的规则无法对应上真实的表达情感，例如“太好”是一个比“好”褒义倾向更强的词，如果“好”的值为+1，那么“太好”可以赋值为+3，加上否定词的“不太好”变成-3则显然有点过于贬义了，将其赋值为-1或者-05可能更合适。

基于这种情况，我们可以对否定词也添加上程度的赋值而不是简单的取相反数，对于表达强烈否定的词例如“不那么”赋值为±4，当遇到与褒义词的组合时褒义词则取负数，与贬义词的组合则取正数，例如贬义词“难听”的赋值是-3，加上否定词变成“不那么难听”的情感得分就会是（-3+4=1）。

第三种需要注意的情况是条件词，如果一个条件词出现在句子中，则这个句子很可能不适合用来做情感分析，例如“如果我明天可以去旅行，那么我一定会非常开心。”，在这句话中有明显的褒义情感词，但是因为存在条件词“如果”，使得这个句子的并没有表达观点持有者的真实情感，而是一种假设。

除了条件句之外，还有一种语言表达也是需要在数据预处理阶段进行排除的，那就是疑问句。例如“这个餐厅真的有你说的那么好吗？”，虽然句子中出现了很强烈的褒义情感词“那么好”，但依然不能将它分类为褒义句。疑问句通常会有固定的结尾词，例如“……吗？”或者“……么？”，但是也有的疑问句会省略掉结尾词，直接使用标点符号“？”，例如“你今天是不是不开心？”，这个句子中含有否定词和褒义词组成的“不开心”，但不能将其分类为贬义情感。

最后一种需要注意的情况是转折词，典型词是“但是”，出现在转折词之前的情感倾向通常与转折词之后的情感倾向相反，例如：“我上次在这家酒店的住宿体验非常好，但是这次却让我很失望。”在这个转折句中，转折词之前的“非常好”是一个很强的褒义词，但真实的情感表达却是转折词之后的“很失望”，最终应该将其分类为贬义情感。当然，也存在出现了转折词，但语句本身的情感并没有发生改变的情况，例如“你这次考试比上次有了很大的进步，但是我觉得你可以做得更好”，这里的转折词没有转折含义，而是一种递进含义。在实际操作中，我们所以需要先判断转折句真实的情感表达到底是哪个，才能进行正确的分析计算。

构建情感词典是一件比较耗费人工的事情，除了上述需要注意的问题外，还存在精准度不高，新词和网络用语难以快速收录进词典等问题。同时基于词典的分析方法也存在很多的局限性，例如一个句子可能出现了情感词，但并没有表达情感。或者一个句子不含任何情感词，但却蕴含了说话人的情感。以及部分情感词的含义会随着上下文语境的变化而变化的问题，例如“精明”这个词可以作为褒义词夸奖他人，也可以作为贬义词批评他人。

尽管目前存在诸多问题，但基于字典的情感分析方法也有着不可取代的优势，那就是这种分析方法通用性较强，大多数情况下无需特别的领域数据标注就可以分析文本所表达的情感，对于通用领域的情感分析可以将其作为首选的方案。

我们在机器学习算法的章节介绍过很多分类算法，例如逻辑回归、朴素贝叶斯、KNN等，这些算法都可以用于情感识别。具体的做法与机器学习一样需要分为两个步骤，第一步是根据训练数据构建算法模型，第二步是将测试数据输入到算法模型中输出对应的结果，接下来做具体的讲解。

首先，我们需要准备一些训练用的文本数据，并人工给这些数据做好情感分类的标注，通常的做法下，如果是褒义和贬义的两分类，则褒义标注为1，贬义标注为0，如果是褒义、贬义和中性三分类，则褒义标注为1，中性标注为0，贬义标注为-1

在这一环节中如果用纯人工方法来进行标注，可能会因为个人主观因素对标注的结果造成一定影响，为了避免人的因素带来的影响，也为了提高标注的效率，有一些其他取巧的方法来对数据进行自动标注。比如在电商领域中，商品的评论除了文本数据之外通常还会带有一个5星的等级评分，我们可以根据用户的5星评分作为标注依据，如果是1-2星则标注为贬义，如果是3星标注为中性，4-5星标注为褒义。又比如在社区领域中，很多社区会对帖子有赞和踩的功能，这一数据也可以作为情感标注的参考依据。

第二步是将标注好情感倾向的文本进行分词，并进行数据的预处理，前文已经对分词有了很多的介绍，这里就不再过多的赘述。第三步是从分词的结果中标注出具备情感特征的词，这里特别说一下，如果是对情感进行分类，可以参考情感词典进行标注，也可以采用TF-IDF算法自动抽取出文档的特征词进行标注。如果分析的是某个特定领域的，还需要标注出特定领域的词，例如做商品评价的情感分析，需要标注出商品名称，品类名称，属性名称等。第四步根据分词统计词频构建词袋模型，形成特征词矩阵，如表所示。在这一步可以根据业务需要给每个特征词赋予权重，并通过词频乘以权重得到特征词分数。最后一步就是根据分类算法，将特征词矩阵作为输入数据，得到最终的分类模型。

当训练好分类模型之后，就可以对测试集进行分类了，具体的流程与建模流程类似，先对测试的文本数据进行分词并做数据预处理，然后根据特征词矩阵抽取测试文本的特征词构建词袋矩阵，并将词袋矩阵的词频数据作为输入数据代入之前训练好的模型进行分类，得到分类的结果。

采用基于机器学习的方法进行情感分析有以下几个不足之处，第一是每一个应用领域之间的语言描述差异导致了训练得到的分类模型不能应用与其他的领域，需要单独构建。第二是最终的分类效果取决于训练文本的选择以及正确的情感标注，而人对于情感的理解带有主观性，如果标注出现偏差就会对最终的结果产生影响。

除了基于词典和基于机器学习的方法，也有一些学者将两者结合起来使用，弥补两种方法的缺点，比单独采用一种方法的分类效果要更好，另外，也有学者尝试使用基于LSTM等深度学习的方法对情感进行分析，相信在未来，情感分析会应用在更多的产品中，帮助我们更好的理解用户需求，提升用户使用智能产品的体验。

随着深度神经网络等算法的应用，情感分析的研究方向已经有了非常大的进展，但依然存在着一些难题是目前尚未解决的，在实操过程中需特别注意以下几种类型数据：

情绪轮在用户体验设计上被广泛的应用，很多情感化设计都是基于情绪轮进行的。但是在人工智能领域，将情绪进行多分类比情感分析的三分类任务要难得多，目前大多数分类方法的结果准确性都不到50%。这是因为情绪本身包含了太多的类别，而且不同的类别之间又可能具有相似性，一个情绪词在不同的语境下有可能表达的是不同的情绪类别，算法很难对其进行分类。即使是人工对文本进行情绪类别标注也往往效果不佳，因为情绪是非常主观性的，不同的人对不同的文本可能产生不同的理解，这使得人工标注情绪类比的过程异常困难。如何让机器可以理解真实的情绪目前还是一个未能攻克的难题。

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。

　自我鉴定是对自己的政治思想、工作业务、学习生活等方面情况进行评价与描述，自我鉴定可以让我们对自己有个正确的认知，不如立即行动起来写一份自我鉴定吧。那么你知道自我鉴定如何写吗？以下是我为大家收集的高中毕业生档案自我鉴定（精选7篇），欢迎大家借鉴与参考，希望对大家有所帮助。

高中毕业生档案自我鉴定1

　回顾高中的学习生涯，我获益良多。作为一名现代高中生，我始终把为祖国做贡献作为自己学习的动力，把国家的法律、学校的规章制度作为自己的行为准则。所以我在德、智、体、美、劳等方面取得了较好的成绩，同时也在团队协作、人际交流、社会实践服务等方面得到了锻炼和提高。

　首先，在思想上，我热爱伟大的社会主义祖国，拥护中国***，始终不渝地坚持改革开放的基本国策，维护祖国统一。在道德修养上，我认真落实了《全民道德建设实施纲要》，践行然后，在学习上，我明确自己的学习目标，端正自己的学习态度。在具体的学习过程中，我做到了勤奋、塌实、认真、仔细，并且取得了较好的成绩。在学习的课余时间里，我加强了自身的体育锻炼，提高了自己的身体素质。尤其值得一提的是在篮球、乒乓球等项目上，我积极参加相应比赛，获得了不少的锻炼。

　接着，在团队协作和人际交流方面，由于我在班里担任过班长、团支书等职，所以经常和老师、同学进行交流，并和老师、同学的关系相处得十分融洽。在班级管理方面，我积极发挥自己的优势，和班里的干部同学一道，为班集体的发展出谋划策。同时组织了辩论赛、知识竞赛等一系列的课余活动，表现出较强的组织能力，成为老师的得力助手，深得同学们的支持和肯定。 紧接着，在社会实践服务方面：我积极投身于社会志愿者服务中，并且成为了一名光荣的中国青年志愿者。一是参加了三下乡活动，宣传党的路线方针；二是走进社区，帮助困难群众；三是到敬老院，帮助孤寡老人，为他们送去温暖和祝福。同时，在我的带动下，我们十几个同学分成几组，定期到孤儿院，给那里的孩子讲功课，和他们进行交流，给他们送去知识。因为在社区服务中优异表现，我被街道办事处、居委会评为在高中的学习生活中，我也获得了不少的荣誉。在写作中，我曾获得了校作文竞赛三等奖。在担任班干部期间，我曾获得校高中的学习是我人生的一笔财富，它将指引我不断向前。

高中毕业生档案自我鉴定2

　在xx中学这三年的时间，马上就过去了，也不知道是怎么了，在写这个的时候我心里是带着伤感的，我实在是觉得三年真的很快，在之前我总是抱怨时间过得很慢，经常跟同学们说，在学校的时间很煎熬，总是觉得时间太慢了，现在真的到了了毕业之际我就觉得还是过得很快的，这真的是很矛盾，这三年的高中生涯回想起来简直就是跟流水一样，哗啦啦的，就这样在我们脑中一幕幕的闪过，我感觉跟一部**一样，但是又比一部**要长，三年来我子啊xx中学全面的发展了自己，全方面的，在这里从一个阶段到另一个阶段，这是做一个质的跨越，真的感慨良多。

　高中三年我在各方面都得到了提高，在班级上我是班上的学习委员，做了一名班级的小助手，班上的各种大小工作我都会积极的配合老师完成好，对于同学们找我寻求帮助，我都会尽自己能力去帮助同学们，学习也好，私下也好，做好一名学习委员的职责，学习上我也比较虚心，对于比自己优秀的同学，各方面比我强的，我是很佩服的，很以他们为榜样，虚心请教，没有半分的骄傲，不以自己学习委员的身份抬高自己，我时刻认为自己是一名普通的学生，我正确的去看待自己的位置。

　在平时的生活中，我很注意锻炼，我们在学习中总是会懒得去锻炼自己，这是很不好的习惯，我深刻的认识到了这一点，在平时我都会注意自己的健康，多多去锻炼自己的体魄，养成一个好的身体，这对我们的学习也是有帮助，这样能够更加健康的投入的学习当中，我一直都认为有一个好的身体，好的体魄会更加的造就完美的自己，在高中三年我就一直很注意锻炼自己，不管是什么时候，都会坚持下去，这是我给自己定的目标，并且在这三年我做到了我锻炼了一个好的体魄，每次学校的运动会都会积极的去参加，报名，给自己一个机会。

　心态方面我一直都很好，我养成了一个好的心态，一个让自己在遇到事情，遇到挫折能够冷静下来好好的分析问题的心态，我一直都认为，在遇到问题时保持一个好的心态，这真的说的没错，这样的话问题其实就解决一半了，高中三年我一直告诉自己，要端正心态，养成好心态，这样才能更好的去面对生活。

　感悟这三年，我心里有很多说不出来的滋味，但是我觉得最重要的还是感恩这两个字，高中这三年，遇到了很多贵人，都是我要感恩的，我的老师，我的同学们，这些高中的一张张熟悉的面孔，三年来都给了我我不同程度的帮助，很是感恩。

　三年过去但是我还要不断的去探索，发掘自己的缺点，改正，未来还长我还需不断的努力。

高中毕业生档案自我鉴定3

　心心念叨的高考就这么结束，我的高中生涯也随之结束了。努力了这么久的时间，如今这个目标已经达成，莫名的感觉有些萧索，不知道该如何是好。高考成绩还没有发榜，但我自信自己在考试里的所发挥的水准，分数应该是能准许我去自己想去的大学的。我想了想，在上大学之前，还是有些事情要计划好，对于我自己，也应该有个更深的了解。

　一、学习上

　高中三年里，基本上每天都在学习中过去的。高一时还好，刚刚高中的我对于高中还不甚了解，老师也没有对我们做太多的要求，只是三年高考倒计时的天数牌已经挂在了黑板上面了，一抬头就能看到。这是无声的压力啊。高一下学期开始，我就开始很努力的读书了，几乎每天都是在读书中过去——起床公交上看书、课间休息的时候看书、放学回家了还是在看书，将课本内的知识点牢牢的记载心理，不是能背了就行，每个星期都要将之前的知识再看一遍，重新背诵记忆。高二文理分科后，我选择了理科。男生对于理科还是有着一定的优势的，自高二开始，我的成绩一路突飞猛进，并常年稳居年级前十的行列，成为其他人眼里不折不扣的学霸。但学霸也是得靠自己努力的啊。

　二、交友上

　这个世界上的天才是真不少，但我不是其中一个。像年级第一的xx，真的是让我嫉妒不起来，物理化学常常满分，数学一百五的卷子，他也总是一百四以上。如果发挥不失误的话，我觉得今年的高考状元说不定有他的份。我经常和他，还有班上其他的一些同学一起做题目，探讨问题。几乎都是来找他请教的，毕竟虽然老师常常说让我们不懂就去问，但学生在面对老师的时候总是天然弱势啊，就像老鼠见了猫，所以我们问xx的次数更多。大部分都是来向xx请教的，但我也算是个学霸，班上xx排第一，我排第二。我们共同教导其他同学做题目，帮助他们学习。进步虽然不是很大，但也有，至少很多错过的题目他们基本上没有再犯了。

　三、做事上

　我是班上的纪律委员，也兼职了卫生委员，平常还要安排同学值日工作，扫扫地什么的。但我也不是只安排不干事的人，每天我都会和当日负责值日的同学一起打扫教室。他们做事，我也做事。对我来说，打扫卫生也是学习之外难得的休息时间啊。

高中毕业生档案自我鉴定4

　高中是我一生中最美好的场景，它让我流泪让我笑，让我沮丧让我开朗，让我怀念让我珍藏。它就像是夜空中最闪耀的那颗明星，我每每抬头，就可以看见它，就可以不自觉的嘴角上扬。

　高中三年，除了我们每位同学奋斗的身影之外，还有一些特别的存在让我们的记忆更加的出彩。还记得班内最调皮的xxx，在我们成绩失意时，大声讲段子让我们开怀大笑；还记的班内的“计算机之哥”xxx，在课余时间、体育课时间偷偷给我们放**；还记得我的那个搞笑的同桌，在高三那一年给我太多的快乐和回忆。我还记得，记得很多。这一切都像是一块块的铁片放入了我的心里，沉沉的，无法丢弃。

　我好不舍，好不想离开这个班级，也不想离开大家。我不知道高中毕业之后我们会距离多远。我也不知道我们再见面的日子会有多少，我也不知道我会存在于多少人的记忆里，我更不知道今后的自己再想起这段时光会有怎样的感慨。总之很感激这次相遇，可以让我有这样的一次记忆，也很感谢每个朋友的殷勤陪伴。在我悲伤的时候拥抱我，在我开心的时候鼓励我，在我迷茫的时候义无反顾的做我的后盾。你们，是我永远都值得珍惜的人。而我的高中时光，除了那些堆积成山的试卷和课本之外，你们就是我最重要的一部分。

　就要高中毕业了，我的心情非常的复杂，有一种解脱感，也有一种不舍的难过。高中三年其实也很艰苦，我还记得我们寝室一行人在宿舍里挑灯夜读，我也还记得每次晚自习之后我们还会在教室里继续多上一节晚自习，我更是清楚的记得，每天天还未亮，我们就起床，奔赴战场继续战斗。如今我们就要迎 来了解放，我们也迎来了离别。这种种情感交织在一起，让我的心里错综复杂。但无论如何，我们每个人都要变成一个更好的大人，要努力的过好自己的每一天，珍惜每一天的青春，让我们的人生变得更加的丰富多彩。

　最后我想祝福我自己，也祝福我们所有同学。愿我们都会有一个好的成绩，也愿我们有一个好的将来，更希望我们可以在未来的时光里更加上进。我把大家放进了我的心里，我会承载着这一份感动和回忆，在未来的路上更加勇闯无敌。我会想念大家，也希望我们可以将这份友情继续保存，让我们的青春变得更加闪烁。

高中毕业生档案自我鉴定5

　一眨眼高中生活飞快就过去了，我现在都还依稀记得高一那年刚入学的我们是什么模样，高中这几年又做了多少的傻事，现在回想真的是感觉有些搞笑。这三年我真的过得很快乐，虽然有着学习上的压力，但是每天和同学们相处在一起的感觉真的很好，虽然也和大家发生过一些摩擦但现在回想真的也都只是一些小事，掩盖不了大家这么几年同窗的感情。都说人生有四大关系最铁，其中就有着一起同过窗，而现在要毕业了也真的越发感觉到不舍和留恋的感情。虽然我们好像也没有一起经历过什么很大的事情，但也正是三年的相处，大家慢慢的磨合慢慢的成长，让大家也都在心底留出了一个位置给对方。真的好希望时间永远都停留在高一那年大家刚刚认识的那个夏天，那个时候的我们没有什么学习压力，也不需要去面对离别的感伤，只是怀揣着对于高中生活的期待。

　这三年里，我成长了很多，学习到了很多，也经历了很多，我开始懂得了父母的辛苦，赚钱的不容易，学习对于我们的重要性。在这三年的时间里，不管经历什么我都没有停下自己学习的步伐，一直坚定的往前行走着，坚守着我作为一名学生的责任。也很感谢父母对我这么多年的照顾和鼓励，如果不是因为他们的话，我想我是坚持不住高中学习生活这么大的压力的。虽然这三年压力很大，任务很重，但也因此学习到了很多的东西，那些需要用到的知识，也开阔了自己的眼界，知道了世界不仅仅只是这么大，外面还有着更好更精彩的一片天空。但我却不想去看，我只想时间永远停留再高中生活，能够永远和我的这群同学和朋友们继续相处。

　在学习知识的同时我也没有放下学习为人处世，也一直保持着自己的素质和教养，做一个有礼貌讲文明的好学生。也通过参加学校广播台锻炼自己的胆量和口才，也参加了一些学校举办的比赛，就是为了让自己能够变成一个活泼开朗处事大方的人，让自己不再像初中一样和别人讲话都不好意思。而三年下来，现在的我也达成了自己当初的想法，完成了自己的那些目标。不再像以前一样内向胆小了，我开始能够在人群中自如的相处。虽然现在的我马上要毕业了，但我也知道我其实还有着很多不足的地方，我会更加努力的去学习，让自己变得能够更加优秀。

高中毕业生档案自我鉴定6

　人生中最美好的三年已经过去，回顾过去你是否有后悔、有欣喜、有灰心的事情呢？在这三年里我既有后悔、又有欣喜、灰心的事情。但是高中三年已经过去了，我们现在能做的就是通过回顾这过去的三年，从中发现启示，让自己现在以及接下来的时间里做的更好，不让后悔的事情发生。

　在高一的时候，我因为新环境变动，以及教学内容难度的增加，我在上学期难以适应，因为这样的情况也干扰到了我学习情况，不仅在上课时注意力不集中，在课后也疏于学习，导致在上学期成绩一直不是很理想，在下学期中因为上学期的学习基础差，出现了比上学期更糟糕的境况，自己的成绩也再次下降，长期处于班级中后游，我试过一些努力，可能是自己方式不正确，并没有起到很大的作用。当然这种糟糕的状况只出在学习成绩上面，但是并没有影响到我其他的校园生活，我会积极参加这年里学校举行的各种活动，如校运会、艺术节、元旦晚会等，并取得了相应的名次，为班级在这个上面获得荣誉。并且在这学年里我担任了班级的团支书，管理班级的团支部的工作，并在这份班干部工作中做的很好，没有出现过错误，基本能过完成自己的职责。

　在高二时，我选择了理科，进入理科班。这可能是我做的一个很错误的决定，因为在理科中我并不是特别有优势，在高二这个学年我的成绩也陷入低谷，这种情况甚至比高一时还严重，这个时候我就对自己选择出现了质疑，对自己学习的定位也出现了动摇。很感谢我的班主任老师在这个时候给我帮助，开导我、警戒我、教导我，我在下学期的时候意识到马上就要高三了，没有太多多余的时间让我继续浪费上去。我在这个时候就开始时时刻刻的努力，在学习上遇到问题也会去询问班主任老师，自己也将每天的时间用在学习上，尽量弥补自己与其他同学的差距。

　在高三时，通过自己觉悟后的努力下，自己的学习成绩也终于有了一点起色。在高三这年，因为是最后一年，不想留下遗憾，所以也比高二时更加努力。在加上老师对之前课程的复习，让我的成绩有了巨大的进步，我的名次也进入班级的中上游，虽然不算最好，但是我对自己的努力成果也已经十分努力了。

　虽然这一年半的成果不尽人意，但是总的来说我对自己这三年还是比较满意，因为我最后也尽到了自己最大的努力，虽然还是有点小遗憾，但是这正是这些小遗憾才让这三年更加有价值。

高中毕业生档案自我鉴定7

　三年的高中校园生活是我人生的一大转折点。我于xx年9月以优异的成绩考入x中学。三年的校园生涯和社会实践生活我不断的挑战自我、充实自己，为实现人生的价值打下坚实的基础。一直都认为人应该是活到老学到老的我对知识、对本专业一丝不苟，因而在成绩上一直都得到肯定，每学年都获得三等奖学金。在不满足于学好课本知识的同时还注重了计算机应用软件和硬件的学习。有广泛爱好的我特别擅长于排版及网页美工和多媒体的制作，就任本班组织委员的同时也加入了校学生会宣传部。对工作热情、任劳任怨，和部内成员团结一致，一年间我由部委升为部长。在任部长期间注重配合学校、学生会其它部门，出色的完成各项宣传工作，促使学校的各种运作更顺利的同时进行。

　学校的各种活动都热情的参加，在xx年至xx年间获校文娱比赛及知识问答比赛等一等奖。大胆创新对校报版面进行改革。学校的各种活动都热情的参加，在xx年x月获校演讲比赛一等奖。身为学生的我在修好学业的同时也注重于对社会的实践。本着学以致用，xx年我以熟练的计算机技术应聘为学校网站的管理员，做出了大量出色的工作，得到同学及老师的一致好评。

　本人具有积极向上的生活态度和广泛的兴趣爱好，对工作责任心强、勤恳踏实，有较强的组织、宣传能力，有一定的艺术细胞和创意，注重团队合作精神和集体观念。

<article>

课程地址: https://classcourseraorg/nlp/lecture/31

情感分析 （Sentiment analysis）又可以叫做

意见抽取 （Opinion extraction）

意见挖掘 （Opinion mining）

情感挖掘 （Sentiment mining）

主观分析 （Subjectivity analysis）等等。

引用的论文：

Bo Pang, Lillian Lee, and Shivakumar Vaithyanathan 2002 Thumbs up Sentiment Classification using Machine Learning Techniques EMNLP-2002, 79—86

Bo Pang and Lillian Lee 2004 A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts ACL, 271-278

另外需注意，Binarized (Boolean feature) Multinomial Naïve Bayes不同于Multivariate Bernoulli Naïve Bayes，MBNB在文本情感分析上的效果并不好。另外课中也提到可以用交叉验证的方式进行训练验证。

下面罗列了一些比较流行的词典：

当我们拿到一个词我们如何判断他在每个类别中出现的概率呢？以IMDB影评为例

但是！我们不能用单纯的原始计数（raw counts）方法来进行打分，如下图

可以看出，这些否定词同样可以作为单词极性的一个判断依据。

具体步骤为：

联合概率 / 独立的两个概率乘积

之后我们可以看一下统计结果，分别来自于用户好评和差评的统计：

可以看到极性划分的还不错

</article>

</main>

转自csdn