情感分析文本相似性和语句推断等都属于常见中文分词应用中的语句关系判断

关于情感分析文本相似性和语句推断等都属于常见中文分词应用中的语句关系判断回答如下：

情感分析,文本相似性和语句推断等都属于常见中文分词应用中的语句关系判断如下情感分析、文本相似性和语句推断都是中文自然语言处理中的常见任务，需要进行语句关系判断。

其中，分词是中文自然语言处理中的基础步骤，可以将句子切分成有意义的词语，为后续任务提供基础。

在情感分析任务中，需要对文本的情感进行分类，通常采用机器学习算法，对文本进行特征提取和分类。文本相似性任务是指比较两个文本之间的相似度，通常采用词向量模型进行特征提取和相似度计算。

语句推断任务是指给定前提和假设，判断假设是否可以从前提中推出，通常需要进行逻辑推理和语义理解。这些任务都需要进行语句关系判断，对中文自然语言处理具有重要意义。

资料扩展：

情感分析是指通过文本来挖掘人们对于产品、服务、组织、个人、事件等的观点、情感倾向、态度等。情感分析是随着互联网发展而产生的，早期主要用于对网上销售商品的用户评语的分析，

以便判断用户对其所购商品是“喜欢”还是“不喜欢”。后期随着自媒体的流行，情感分析技术更多地用于识别话题发起者、参与者的情感趋向，

从中判断或挖掘话题中的价值，由此来分析相关舆情。情感分析的应用十分广泛，其研究领域涉及自然语言处理、信息检索、机器学习、人工智能等。

领域依赖是指文本情感分析的模型对某一领域的文本数据非常有效，但是将其应用于其他领域的时候，会使得分类模型的性能严重下降。

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。

本次实验将加载两个数据，一个是已经标注好的用户评论数据，另外一个是用户评价主题句，通过标注过的用户评论数据进行基于集成模型的情感极性模型训练，然后利用模型对主题句进行情感极性推理，最后通过数据聚合可视化得出主题情感极性。

使用 Pandas 加载在线数据表格，并查看数据维度和前 5 行数据。

数据属性如下表所示

加载我们之前通过主题词典提取出来的主题句。

数据属性如下表所示

用户评论分词

jieba 分词器预热，第一次使用需要加载字典和缓存，通过结果看出返回的是分词的列表。

批量对用户评价进行分词，需要一些时间，并打印第一行情感极性训练集的分词结果。

批量对用户评价主题句进行分词，并打印第一句用户主题句分词结果。

依据统计学模型假设，假设用户评论中的词语之间相互独立，用户评价中的每一个词语都是一个特征，我们直接使用 TF-IDF 对用户评价提取特征，并对提取特征后的用户评价输入分类模型进行分类，将类别输出为积极的概率作为用户极性映射即可。

用户评论向量化

TF-IDF 是一种用于信息检索与数据挖掘的常用加权技术，当某个词在文章中的TF-IDF越大，那么一般而言这个词在这篇文章的重要性会越高，比较适合对用户评论中的关键词进行量化。

数据集合划分

按照训练集 8 成和测试集 2 成的比例对数据集进行划分，并检查划分之后的数据集数量。

我们在系列实验的开始使用朴素贝叶斯模型来训练情感分析模型，下面我们新增逻辑回归模型作为对比模型。逻辑回归（Logistic Regression）是一种用于解决二分类问题的机器学习方法，在线性回归的基础上，套用了一个 sigmod 函数，这个函数将线性结果映射到一个概率区间，并且通常以 05 分界线，这就使得数据的分类结果都趋向于在 0 和 1 两端，将用户评论进行向量化之后也可以用此方式预测用户情感。本实验直接对标注过的用户情感数据进行训练，并验证单一模型和集成模型在情感分析性能上的差异。

模型加载

通过传入原始的标签和预测的标签可以直接将分类器性能进行度量，利用常用的分类模型评价指标对训练好的模型进行模型评价，accuracy_score 评价被正确预测的样本占总样本的比例，Precision 是衡量模型精确率的指标，它是指模型识别出的文档数与识别的文档总数的比率，衡量的是模型的查准率。Recall 召回率也称为敏感度，它是指模型识别出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率，表示正样本在被正确划分样本中所占的比例，f1_score 值是精确率与召回率的调和平均数，是一个综合性的指数。

我们分别对不同模型使用相同的数据集进行训练和测试，以此来比较单模型之间的差异，并打印模型运行时间供大家参考，批量处理不同的模型需要一些时间进行计算，清耐心等待。

通过求得的指标进行模型评价，我们发现使用相同的数据进行模型训练，朴素贝叶斯模型和逻辑回归模型性能基本持平，相差很微弱，逻辑回归稍稍占一些优势。

Stacking 堆栈模型训练

集成学习是地结合来自两个或多个基本机器学习算法的优势，学习如何最好地结合来自多个性能良好的机器学习模型的预测结果，并作出比集成中的任何一个模型更好的预测。主要分为 Bagging， Boosting 和 Stacking，Stacking 堆栈模型是集成机器学习模型的一种，具体是将训练好的所有基模型对整个训练集进行预测，然后将每个模型输出的预测结果合并为新的特征，并加以训练。主要能降低模型的过拟合风险，提高模型的准确度。

开始对两个模型进行集成训练，训练的时间要比单一模型时间久一些，清耐心等待。

评测结果收集。

结果分析

将结果存入 Dataframe 进行结果分析，lr 表示逻辑回归，nb 表示朴素贝叶斯，model_stacking 将两个单模型集成后的模型。从结果来看集成模型准确度和 f1 值都是最高的，结合两个模型的优势，整体预测性能更好，鲁棒性更好。

样例测试

通过测试样例发现，分类器对正常的积极和消极判断比较好。但是当我们改变语义信息，情感模型则不能进行识别，模型鲁棒性较差。作为早期的文本分类模型，我们使用 TFIDF 的特征提取方式并不能很好的解决语义问题，自然语言是带有语序和语义的关联，其词语之间的关联关系影响整句话的情感极性，后续我们继续试验深度情感分析模型研究解决此类问题。

加载民宿主题数据。

模型预测

将情感分析模型推理的结果写入 DataFrame 中进行聚合。

单主题聚合分析

挑选一个主题进行主题情感分析。

对民宿“设施”进行描述统计，此次我们使用主题词典的出来的用户关于民宿“设施”主体的讨论条数为 4628 条，平均用户情感极性为 040 表示为整体呈现不满意的情况，有超过一半的关于“设施”的民宿评论中表现用户不满意的情况，重庆民宿需要在“设施”进行改善，以此提高用户满意度。

单主题情感极性可视化

我们开始进行“设置”主题下的用户主题情感进行可视化，首先加载画图模块。

对“设施”主题下的用户情感极性进行可视化，我们利用集成模型对主题句进行情感极性预测，如下所示。

老师布置的作业是一篇论文还要查重，如果你还直接从知网下载的话就会导致查重率过高。直接从知网下载并且不改原文直接上交的话，就可能做到查重率百分百，也就是可能会老师直接打回让你重写，或者是直接给你这次的论文作业零分。

从知网下载的文章可以作为参考，但是不能作为自己的作业去上交，因为老师既然说了查重的话，就有肯定有办法去进行查重。

查重率过高的话是肯定不会通过的，也就不会上交成功。知网的文章下载下来的话是肯定有含金量的，就算你能改到跟原文完全不一样，但是上交上去还是会被老师一眼看出来，并且查重率也会超过警戒线的。

想要查重率低的话，不仅文章要自己写，而且还要咬文嚼字，就是各个词语的类型必须要进行很多次变换才能做到查重率降低。

高考语文必备术语及诗歌鉴赏方法集锦、常见意象示例

一、高考试题题干是解题的“线索”,它给考生指示答题方向、范围、要求等读懂题干,才能从容抓分纵观几年来全国各地的高考语文试卷,不难发现题干中隐含着一些相似的“常用术语”总结如下：

表达方式 ：语文常用的表达方式有记叙、描写、议论、抒情、说明等

写作手法： 狭义的写作手法即 “表达方式”、广义的是指写文章的一切手法,诸如表达方式、修辞手法、先抑后扬、象征、开门见山、托物言志等

修辞手法 ：常用的有比喻、拟人、反复、夸张、排比、对偶、对比、设问、反问等

语言特点： 一般指口语的通俗易懂,书面语的严谨典雅,文学语言的鲜明、生动、富于形象性和充满感情色彩的特点分析时,一般从修辞上进行分析

说明文的类型：事物、事理说明文（内容角度）;平实、生动说明文（语言表达角度）

说明方法：一般有举例子、分类别、列数据、作比较、下定义、作诠释、打比方、画图表、摹状貌等（一般是三个字）

说明顺序：时间顺序（程序顺序）、空间顺序、逻辑顺序答题时可答得具体些,如：空间顺序（从上到下,从里到外等）,逻辑顺序（先结果后原因,层层递进等）

说明对象：指文章说明的主要人或事物（一般不必答人或事物的特点）

议论文题目：论点型、论题型、关系型、寓意型

论证方法：中学要求掌握的的道理论证、事实论证、对比论证、比喻论证、归廖法

论证方式：立论和驳论

理论论据：包括名人名言、俗语谚语、公式定律等

事实论据：一切事实、史实、数据等

有何作用：回答文中某一内容的作用可从三个方面考虑,一是内容方面,如深化主题、强调感情等；二是结构方面,如过渡、呼应等；三是语言方面,如引人入胜、生动活泼等

思想内容：基本是指文章的中心思想或主旨

思想感情：作者或作品人物所表现出来的思想倾向,如善恶、好恶、褒贬等

以上各“常用术语”,暗中考查同学们的语文基础,同时也是题目的赋分点所在,将其理解清楚,可根治“答非所问”的弊病

二、古代诗歌鉴赏常用名词术语

1、评价主旨类深化意境、深化主旨、意境深远、意境优美、意味深长、耐人寻味、言近旨远（语言浅近易懂,主旨深远）、言简意丰（语言简洁,内容丰富）、意在言外（言外之意,言在此而意在彼,弦外音,味外味,言有尽而意无穷）、含蓄蕴藉、委婉、不著一字,尽得风流（语意含而不露,或表达得不明显,耐人寻味）

2、语言特点类勾勒简洁（介绍事物的大概）、浓墨重彩（描写详尽、细腻）、惟妙惟肖（描写逼真,多指人或动物）、体物入微或穷形尽态（相）（描写细致入微、刻画细致生动）、诗情画意

3、语言风格类行云流水（结构、语言自然流畅）、形神兼备（语言、结构等形式与内容主旨都无可挑剔）、简洁或洗炼（语言简练利落）、浅显或明白如话（不雕饰,不加修饰）、平淡无奇、质朴清新、淡雅、词藻华丽 、明快（明白通畅）

4、文章结构做铺垫（在情节发生前的交代、暗示）、 埋伏笔（前段为后段埋下的线索）、呼应或照应（前后的互相联系）、浑然天成（结构非常完整,如同自然生成的）

5、其它 构思精巧、新颖、独树一帜、别具一格、不落窠臼、不落俗套、自出机杼（有创新,不沿用陈旧的格式、作法、颇具匠心）、感情细腻、感情真挚 、跃然纸上、曲折、层次分明

三、诗歌赏析方法

1．应试策略：

（1）掌握必要的赏析（鉴赏）知识

意境：是诗中意与境两个因素的和谐统一,是诗人表达的思想感情与诗中所描写的生活图景的有机结合

抒情方式：直接抒情与间接抒情

表现手法：如烘托,衬托,虚实,托物言志,借物抒情等

风格流派：由于作家的生活经历,感情气质,艺术素养等各不相同,因而在创作中表现出各自独特的格调、气派和趣味,这就形成了作品的不同风格比如李白的飘逸洒脱,杜甫的沉郁顿挫,苏轼的旷达豪放,柳永的柔美婉丽等了解诗人的风格,有利于把握他们在诗中所要表达的思想感情

语言特色：清新——用语新颖,平淡——质朴真切,绚丽——绚烂奇幻,明快——一语破的,含蓄——意在言外,简洁——言简意赅

（2）掌握赏析方法

①了解诗人或作品的相关背景,有利于把握诗歌的内容和思想

②借助联想与想象,有利于把握诗歌的意境,因为诗歌具有张力,尺幅之中韵味无穷

③品味诗词中作者的炼字,炼句和链意赏析时对诗人准确传神的用字,精巧贴切的修辞,情与景的交融,物与理的结合等艺术手法要作深入的品析,有利于把握作品的立意与情感,走进作品的真实,感悟诗人的情怀

文学作品鉴赏是一项综合性很强、能力层次较高的创造性活动,目前,诗词鉴赏教学可说是语文教学的弱项及中考复习的盲点复习时,要从以下几方面注意鉴赏题考点的设置：1、对诗词内容的理⑴对中心思想的理解；⑵对所抒感情的理解；⑶对抒情主体形象的理解；⑷对象征意义的理解2．对所用表现手法及其作用的理解3．对诗词语言的理⑴对关键词语的理解；⑵对关键语句的理解4．对诗词意境的理解

题型一般为选择、填空、简答三个类型,有些是鼓励学生创新的开放性试题

解题思路与技巧：

1．从作家、作品的相关背景资料人手,把握作品的旨趣、作者的情感倾向、诗句的原意

2．从作家风格（豪放、婉约等）和语言特征（如简约、含蓄等）去领悟诗句的含义及表达的情感

3．从关键词语着手,如抓住诗词中关键的动词的用法、含义及作用去赏析

4．从关键句（如主旨句、哲理句、情感句）着手,分析概括、推理解答

5．从修辞手法和表达方式、表现手法着手,品味语言、想象意境

6．从诗词的具体内容的全面理解着手,把握各类（送别、咏物、爱国等）诗词的思想内容对于主观性试题的解答,还应注意文字表述应简洁、明了,切中要害

熟悉古典诗词鉴赏常用名词术语

⑴评价主旨类

深化意境、深化主旨、意境深远、 意境优美 、意味深长、耐人寻味 、言近旨远、言简意丰、意在言外、含蓄蕴藉等

⑵分析手法类

卒章显志、画龙点睛、直抒胸臆 、托物言志、 象征、以小见大、开门见山、寄寓 、寄托、衬托、烘托、渲染、侧面描写 、对比、起兴、情景交融、情景相生、 情因景生、借景抒情、以景衬情 、融情入景 、一切景语皆情语等

（3）语言特点类

勾勒、浓墨重彩、描写详尽、细腻、惟妙惟肖、体物入微、穷形尽态（相）、富有哲理、淋漓尽致、行云流水、形神兼备、简洁、浅显、明快、明白、通畅、平淡、无奇、质朴清新 、淡雅、词藻华丽等

（4）风格类 沉郁顿挫、豪放、雄浑、旷达、沉郁、苍凉、冲淡、低沉、悲慨、苍劲、舒缓、悲凉、俊爽、等

（5）文章结构

做铺垫、埋伏笔、呼应、浑然天成等

（6）行文技巧类

虚实相生、水乳交融等

7．掌握修辞方法在诗歌中运用的特点

诗词常用的修辞手法是比喻、拟人、对比、夸张、借代、双关、互文、等

其次,读懂诗要注意运用方法

(1)．借助题目、作者、注释

题目是切入点古诗的题目很讲究,它往往能揭示诗歌写作的时间、地点、对象、事件、主旨等,是我们解读诗歌的重要切入点,从题目入手,我们可以迅速准确地理解诗歌

作者：确定朝代、风格,为后面分析语言、表达技巧、思想内容和诗人的观点态度作铺垫

注释：可以了解作品创作背景

(2)、学会从内容上分类鉴赏诗歌

古代诗词的分类

古代,浩如烟海,从《诗经》到清代的诗歌,数量之多,题材之广,令人赞叹但就其内容而言,大体可概括为：咏史诗、山水田园诗、咏物诗、边塞诗、抒怀诗等

掌握各类诗的特点极其方法（具体鉴于篇幅,不赘述）品茗》大

3．借助背景

诗歌鉴赏不应忽视对其背景的了解这里所说的背景,包括诗人所处的社会时代、生平遭遇、思想主张等多方面的内容这些方面,对诗人的诗歌创作往往有着直接的影响因而,我们在欣赏诗歌的时候,就应当借此来理解诗歌、把握诗歌

4．注意作品中的“细节描写”

中国古典诗词一般篇幅短小精悍,这样就不象叙事性作品那样有过多的细节描写但是,即使是短小的篇章哪怕是抒情小品,也同样不能忽视了其中的细节描写

5、注意作者的“逻辑思维”

古典诗词人们一般能注意到其中的形象思维,并对此加以充分的分析,而忽视了对作品进行必要的逻辑思维的分析理解,从而在某些时候不能全面客观地鉴赏出作品的真正意蕴形象思维不能排斥逻辑思维,而且必须以逻辑思维为基础

6．注意作品中的“典故”运用

用典,是古诗词中常用的一种表现方法,在增强了作品意蕴的同时,也给我们阅读造成了一定的影响有些时候要是不能正确理解其中典故的含义就直接影响对整个作品的鉴赏所以必须对作品中的“典故”有个初步的理解,透过原来典故中的本意进而理解出用典后所表达出的新的含义一般而言,古诗词中的用典要注意以下几种情形

点化前人语句点化不同于直接引用,而是将前人语句消化后用自己的话写出

明用历史故事在引用历史故事时,明白地指出是何人何事,这是明用

暗用历史故事比明用隐蔽,因为没有明白地指出是什么,所以难以一眼看出如果知道所用的历史故事,便能读懂诗词；反之,便要大伤脑筋了

反用历史故事明用和暗用历史故事,都是正用其意,反用历史故事,则是反用其意

二、 鉴赏、评价

1．把握诗歌的意象与意境

诗歌的意象：

诗歌的意象是多种多样的,归纳起来有以下几类：

（一）象征性意象

（二）比喻性意象

（三）描述性意象

（四）通感性意象

2． 鉴赏诗歌中的形象

所谓“形象”就是文学作品中展示出来的生活图画,一般可分为人物形象和自然景物

（1）人物形象诗中的诗人形象“我”,一般指的就是抒情主人公,即诗人自己有别于小说中的“我”（非作者本人）

（2）景物形象诗中的景物形象是情中景抒情诗,往往是借助客观物象（山川草木等）表现出来的主观感情形象,也就是含有“意”的形象,即“意象”诗人一般借意象来表现自我,诗人作为主体,往往与意象这个客体合而为一有时诗中有几个意象,各个意象之间都有一定的联系

一般的短评写作时要注意先“盖帽”,即说出诗人的形象的总体特征,再以此为“中心论点”,从诗歌的具体语词方面对这个论点进行分析论证其他三个方面的鉴赏和评价一般也使用这个思路值得注意的是一定要围绕“这个”论点来写初学者往往失却重点,在简短的文字中写到各方面的内容

鉴赏诗人形象的思路与其他文学作品中的方法一致,一般从其“社会地位”“思想意识”“性格特征”等方面入手但在具体写作过程中不宜出现这些字眼,我们在这时借用的是它的方式和思路

3、 鉴赏作品的语言

诗歌的语言主要特征有：凝练性、形象性、情感性、跳跃性鉴赏诗歌的语言主要从这几个方面入手而这几个方面往往是合为一体的

4．鉴赏作品的表达技巧

表达技巧指诗人在借助语言文字塑造艺术形象时,灵活运用一般创作规则和方法所表现出来的具体而又特殊的艺术手段主要考查艺术特色和表现形式

（1）抒情方法

抒情方法包括直接抒情（直抒胸臆）和间接抒情间接抒情的主要手段有借景或物抒情,借人或物言志,另外还有融情于景、怀古伤今和即事感怀等

（2）表现手法

表现手法可以从三个方面进行把握：

1、创作方法：赋、比、兴；

2、表达方式：记叙、描写、抒情、议论；

3、构思技巧：以动写静,乐景写哀、虚实结合、小中见大、点面结合、想象联想、象征寄托等

在这三个方面中,第三方面为其重点

（3）用典

鉴赏诗歌的用典主要明确两点：

1、典故的来源及其含义

2、用典的作用用典的作用在唐以前诗歌中主要表现为增加诗歌的容量,使诗典雅耐读,富于文采；在唐以后的诗词曲中主要是怀古伤今,咏史言志

（4）风格

风格是由创作个性决定的作品在思想与艺术上总的特色风格就大处而言,有浪漫主义和现实主义之分从诗词曲的总体风格来讲有诗庄、词媚、曲谐（俗）之说,词又有豪放和婉约之别

1、不同的风格有不同的特征：

浪漫主义：善于抒发对理想世界的热烈追求,常用夸张手法,语言热情奔放,想象瑰丽神奇代表的诗人有屈原、李白、李贺、苏轼、龚自珍等

现实主义：注重按照生活本来的样了精确细腻地描写现实,真实地反映人民的生活与追求代表的诗人有杜甫、辛弃疾、陆游等

2、许多诗人形成了自己的独特的风格：

苏轼、辛弃疾：豪放 柳 永、李清照：婉约李煜、刘禹锡：隽永

谢朓、谢灵运：自然 李 白：清新飘逸 杜甫：沉郁顿挫

屈原：雄浑悲壮 王安石：雄健高峻陶渊明：淡远闲静

王维：恬淡优美 王昌龄：雄壮豪迈 李贺：雄浑奇特

曹操：豪放磅礴

3、不同类型的诗有不同的风格：

宫廷诗：缠绵宛转 田园诗：恬淡宁谧山水诗：清新优美

边塞诗：悲凉慷慨 讽喻诗：沉郁激愤咏史诗：雄浑壮阔

（5）修辞：

主要掌握高考所要求的八种修辞手法,考查的形式一般是明辨修辞的艺术手法,分析修辞的艺术效果

5． 评价作品的思想内容

第一,思想感情：

考查的主要有三点：

1、情感类别：哀怨、激愤、憎恶、忧愁、欣喜、欢快、向往、离愁别恨、怀古伤今等

2、情感载体：杨柳——离别 菊花——傲骨 圆月——团圆落叶——失意等

3、抒情方法：见前“鉴赏表达技巧部分”

第二,内容主旨：

考查的主要有：

1、涉及的文化常识、生活常识、历史典故、神话传说和自然现象

2、某一诗句的大意或内涵

3、诗人的思想倾向、政治主张、志向追求、生活经历等

4、时代背景、社会现实

诗歌表现思想内容的形式大致有两种,一是借景物抒情,一是借人物言志律诗、绝句大多是先描写景物,后抒发情怀；词曲往往是咏物怀古,即借事物、借人物来表明心志思想内容也就在抒情言志的诗句里得到集中的体现

对诗歌思想感情的鉴赏,首先从诗歌的基本内容入手,其次写出作者在诗歌中所蕴含的情感

三、总结、表述

1．灵活运用常见的古诗鉴赏术语,准确得体地表述自己“就诗论诗”的心得

“写什么”方面：写景抒情； 咏物言志（情）； 怀古咏史； 即事感怀；边塞征战； 山水田园； 意象； 意境； 背景；主旨

“怎样写”方面：浪漫主义；现实主义；诗眼；借景抒情； 融情于景；直抒胸臆； 虚实相济； 绘形绘声绘色；动静结合；化静为动；炼字；起承转合；赋比兴；夸饰；用典；含蓄；对仗；韵脚

“为何写”方面：抒发……的思想感情； 反映……的社会现实；表现……的情趣；寄托……的情怀（如爱慕、愁绪、惆怅、苦闷等）；表达……的追求； 流露……的倾向；发出……的感慨； 袒露……的心迹； 造就……的情致

2．区分几个概念,明确答题的内容角度

问“表达方式”,则答 叙述、描写（虚实、动静）、议论、抒情、铺陈等；

问“修辞手法”,则答 所运用的修辞格；

问“艺术（表达）技巧”,则答 想像、联想、衬托（正衬或反衬）、对比、象征、用典、化用、含蓄蕴藉等

4．、答题时,要特别注意以下几点：

一是紧扣要求,不可泛泛而谈；二是要点要齐全,要多角度思考；三是推敲用语,力求用语准确、简明、规范

修辞手法和说明方法在阅读文中的作用（阅读理解）

1、排比、反复： 强烈的抒发了————排比往往给人一气呵成之感,语言畅达,有气势,能增强文章的说服力和感染力反复强调某个意思或突出某种情感

2、反问：使——语气更加强烈,比一般陈述句表达的感情更加强烈,比直说意思表达更鲜明

3、比喻：用比喻来描写事物,可以把事物描写的生动形象,具体可感；用来阐述道理,

可以把道理阐述的通俗浅显、易于理解

4、夸张：用来强调或突出事物某一方面特征,表达某种强烈的思想感情

5、设问：自己回答问题引起读者的注意和思考,还有对——起强调作用

6、对偶：使句式更加——,语言工整等

1、打比方：使——更加形象生动语言生动2、分类别：使对—的说明更加清楚

3、举例子：使读者更加相信——4、列数字：使读者更加相信,使语言更加准确

5、作比较：通过比较更鲜明的揭示出——6、下定义：对——的解释更加准确对事物本质特点的解释

7、作诠释：阐明事物的某一特点,也是对——的解释更加准确

三、诗歌鉴赏答题格式

1、形象：身份+性格

2、诗歌意象、含义：表层含义+深层含义（即解释诗句）

3、所抒感情：通过什么内容+抒发（寄寓/揭露）什么感情

4、体会意境：客观形象+主观感受+交融了什么意境

5、品味关键词句：含义+手法+表达作用（句意+文意+主旨情感）

6、赏析修辞方法：揭示手法+分析表达作用（句意+文意+主旨情感）

7、赏析表达方式：怎样叙（描写）+叙（描写）什么+抒什么情

8、赏析表现手法：手法+表达作用（句意+文意+主旨情感）

9、概括评价诗歌内容：这是一首什么样的诗+诗歌各句分别写了什么+通过什么手法+抒发什么情感+评价（总分总式）

常见意象示例

树木类

黄叶：凋零、成熟、美人迟暮、新陈代谢

绿叶：生命力、希望、活力

松柏：坚挺、傲岸、坚强、生命力

竹：气节、积极向上

桐：凄苦

柳：送别、留恋、伤感、春天的美好

花草类

花开：希望、青春、人生的灿烂

花落：凋零、失意、人生事业的挫折、惜春、对美好事物的留恋追怀

菊：隐逸、高洁、脱俗

梅：傲雪、坚强、不屈不挠、逆境

兰：高洁

牡丹：富贵、美好

草：生命力强、生生不息、希望、荒凉、偏僻、离恨、身份低微的卑微

禾黍：黍离之悲（国家的昔盛今衰）

3、动物类

子规：悲惨、凄恻

猿猴：哀伤、凄厉

鸿鸽：理想、追求

鱼：自由、惬意

孤雁：孤独、思乡、思亲、音信、消息

鹰：刚劲、自由、人生的搏击、事业的成功

狗、鸡：生活气息、田园生活

瘦马：奔腾、追求、漂泊

乌鸦：小人、俗客庸夫

沙鸥：飘零、伤感

风霜雨雪水云类：

江水：时光的流逝、岁月的短暂、绵长的愁苦、历史的发展趋势

烟雾：情感的朦胧惨淡、前途的迷惘渺茫、理想的落空幻灭

小雨：春景、希望、生机、活力、潜移默化的教化

暴雨：残酷、热情、政治斗争、扫荡恶势力的力量、荡涤污秽的力量

春风：旷达、欢愉、希望

东风：春天、美好

西风：落寞、惆怅、衰败、游子思归

狂风：作乱、摧毁旧世界的力量

霜：人生易老、社会环境的恶劣、恶势力的猖狂、人生途路的坎坷挫折

雪：纯洁、美好、环境的恶劣、恶势力的猖狂

露：人生的短促、生命的易逝

云：游子、漂泊

天阴：压抑、愁苦、寂寞

天晴：欢愉、光明

器物类

玉：高洁、脱俗

珍珠：美丽、无暇

6：其他类：

古人：明志、自省、鞭鞑

古迹：怀旧、明志、昔盛今衰（国家）、衰败、萧条（古迹一般和古人密切相联）

破晓：初现希望

深夜：愁思怀旧

乡村：思归、厌俗、田园风光、生活气息、纯朴美好、安逸宁静

仙境：飘逸、美妙洁净、忘尘厌俗

月亮：人生的圆满或缺憾、思乡、思亲

夕阳：失落、消沉、珍惜美好而短暂的人生或事物

天地：人类的渺小、人生的短暂、心胸的广阔、情感的孤独

酒：欢悦、得意、失意、愁苦

————————希望学习进步,金榜题名,心想事成,工作顺利,生活欢乐美满———————

分析和研究人的情感是一个复杂的过程，需要结合多个因素和方法。以下是一些常见的方法和技巧：

观察非语言表达：情感通常通过非语言表达来展示，包括面部表情、姿势、手势、眼神等。观察这些非语言信号可以提供关于一个人情感状态的线索。

倾听和观察语言表达：人们在语言中常常流露出情感，包括词语的选择、语调、语速等。倾听和观察一个人的语言表达可以帮助你了解他们的情感体验。

提问和探索：与他人进行深入的对话，提出开放性的问题，探索他们的情感体验和内心感受。通过主动与他人交流，你可以更好地了解他们的情感世界。

了解背景和经历：一个人的情感体验通常受到他们的背景和经历的影响。了解一个人的背景故事、家庭环境、教育背景等，可以提供更多的背景信息来理解他们的情感。

使用情感分析工具：一些科学研究和心理学领域的专业人士使用情感分析工具来研究和测量情感。这些工具可能包括问卷调查、心理测量仪器、脑部扫描等，通过客观的数据来分析和研究情感。

学习心理学和情感科学知识：深入学习心理学和情感科学领域的知识可以提供更多的理论框架和研究成果，帮助你理解情感的本质和影响因素。

需要注意的是，分析和研究他人的情感是一项复杂的任务，需要综合考虑多个因素，并且要尊重他人的隐私和个人边界。在进行情感分析时，保持尊重、开放和理解的态度非常重要。