情感分类与情感分析有什么不同

情感分类是与情绪情感有关问题的归类；情感分析是对情感情绪问题的见解与认识。

《计算机科学》 2010年07期

情感分析与认知 李维杰

摘要：分析了情感分析的3个主要步骤,包括文本情感获取与表达、文本情感分类与计算以及文本情感分析的应用。情感分析得到的结论主要是对相关观点的摘要、对相关事件态度的预测或者统计等,但这些结论都没有发挥文本情感在认知中的作用。为了将情感分析应用于认知科学,提出了情感由情感信号和情感实体组成的观点。情感信号主要是指情感的一些形式载体,比如心跳加速、脸红等这些人体内外的某些表现,表达情感的文字、、声音等这类媒体。情感实体主要是指人类对情感形成的一种共识,比如爱、恨、憎恶、高兴、羞愧、嫉妒、内疚、恐惧、焦虑等与人的意识相关联的部分。同时提出了在人工智能中利用情感信息的设想。这对于模拟情感对认知的影响具有一定的意义。

--------粘贴内容，其他未知，抱歉。

题主是否想询问“python实现循环神经网络进行淘宝商品评论情感分析的研究结论？”python实现循环神经网络进行淘宝商品评论情感分析的研究结论具体如下：

1、数据质量对结果影响较大，收集到的评论数据的质量和数量都会对模型的结果产生影响。在实际应用中，如果数据质量较低或者数量不足，可能需要使用数据增强或者其他方法来提高数据质量和数量。

2、神经网络模型的设计和调参对结果影响较大，选择合适的神经网络模型、优化算法和参数对结果的影响非常重要。在实际应用中，需要根据具体场景和需求，选择适合的神经网络模型，并对模型的参数进行调整和优化。

3、情感分析的准确率不够高，虽然使用循环神经网络进行情感分析可以得到不错的结果，但是仍存在一定的误差和不确定性。在实际应用中，可能需要考虑其他方法来提高情感分析的准确率和稳定性。

什么是Cha Fan接口？

Cha Fan是一种用于中文文本相似度计算的开放式接口。Cha Fan接口使用了自然语言处理（Natural Language Processing，NLP）技术，以及先进的机器学习算法，能够对中文文本进行数据挖掘和信息提取。通过Cha Fan接口，用户可以快速、准确地比较两个中文文本的相似度，并且可以获得文本的实体信息、文本摘要、情感分析等多种信息。

Cha Fan的主要功能

Cha Fan接口主要针对中文文本的处理和分析，具有以下主要功能：

1相似度计算

通过Cha Fan接口，用户可以快速比较两个中文文本的相似度。相似度计算是Cha Fan接口的核心功能，能够通过计算两个文本的相似度分值来判断它们在意义上的相似程度。相似度计算可以被广泛应用于搜索引擎、信息检索、文本分类、文本聚类等领域。

2实体识别

Cha Fan接口可以自动识别文本中出现的人名、地名、机构名等实体，并将其标注出来。实体识别是Cha Fan接口的一个重要功能，通过实体识别可以方便用户获取文本中的实际信息。实体识别技术可以被广泛应用于舆情分析、热点事件监测、广告推荐等领域。

3情感分析

Cha Fan接口可以对一段中文文本进行情感分析，以判断其中所表达的情感是正面的、负面的还是中性的。情感分析是指通过对文本进行分析，来判断文本所表达的情感倾向。情感分析可以广泛应用于舆情分析、品牌营销、疾病监测等领域。

结论

总之，Cha Fan接口是一种强大的中文文本分析工具，它可以帮助用户快速、准确地处理中文文本，并从中提取有用的信息。随着中文互联网的普及和中文文本数据量的增加，Cha Fan接口将会越来越受到广大用户的青睐。

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。