简述评价心理的分类

性格的类型是指一类人身上所共有的性格特征的独特结合。按一定原则和标准把性格加以分类，有助于了解一个人性格的主要特点和揭示性格的实质。由于性格结构的复杂性，在心理学的研究中至今还没有大家公认的性格类型划分的原则与标准。现将有代表性的观点加以简介。

一、以心理机能优势分类

这是英国的培因(ABain)和法国的李波特(TRibot)提出的分类法。他们根据理智、情绪、意志三种心理机能在人的性格中所占优势不同，将人的性格分为理智型、情绪型、意志型。理智型的人通常以理智来评价周围发生的一切，并以理智支配和控制自己的行动，处世冷静；情绪型的人通常用情绪来评估一切，言谈举止易受情绪左右，这类人最大的特点是不能三思而后行；意志型的人行动目标明确，主动、积极、果敢、坚定，有较强的自制力。除了这三种典型的类型外，还有一些混合类型，如理智一意志型，在生活中大多数人是混合型。

二、以心理活动的倾向分类

这是瑞士心理学家荣格(CGJung)的观点。荣格根据一个人里比多的活动方向来划分性格类型，里比多指个人内在的、本能的力量。里比多活动的方向可以指向于内部世界，也可以指向外部世界。前者属于内倾型，其特点是处世谨慎，深思熟虑，交际面窄，适应环境能力差；后者为外倾型，其特点是心理活动倾向于外部，活泼开朗，活动能力强，容易适应环境的变化。这种性格类型的划分，在国外已应用于教育和医疗等实践领域。但这种类型的划分，仍没摆脱气质类型的模式。

三、以个体独立性程度分类

美国心理学家威特金(HAWitkin)等人根据场的理论，将人的性格分成场依存型和场独立型。前者也称顺从型，后者又称独立性。场依存型者，倾向于以外在参照物作为信息加工的依据，他们易受环境或附加物的干扰，常不加批评地接受别人的意见，应激能力差；场独立型的人不易受外来事物的干扰，习惯于更多地利用内在参照即自己的认识，他们具有独立判断事物、发现问题、解决问题的能力，而且应激能力强。可见这两种人是按两种对立的认知方式进行工作的。

四、以人的社会生活方式分类

德国的心理学家斯普兰格(ESpranger)从文化社会学的观点出发，根据人认为哪种生活方式最有价值，把人的性格分为六种类型，即经济型、理论型、审美型、宗教型、权力型、社会型。

经济型的人；一切以经济观点为中心，以追求财富、获取利益为个人生活目的。实业家多属此类。

理论型的人：以探求事物本质为人的最大价值，但解决实际问题时常无能为力。哲学家、理论家多属此类。

审美型的人：以感受事物美为人生最高价值，他们的生活目的是追求自我实现和自我满足，不大关心现实生活。艺术家多属此类。

宗教型的人：把信仰宗教作为生活的最高价值，相信超自然力量，坚信永存生命，以爱人、爱物为行为标准。神学家是此类人的典型代表。

权力型的人：以获得权力为生活的目的，并有强烈的权力意识与权力支配欲，以掌握权力为最高价值。领袖人物多属于此类。

社会型的人；重视社会价值，以爱社会和关心他人为自我实现的目标，并有志于从事社会公益事物。文教卫生、社会慈善等职业活动家多属此类型。

现实生活中，往往是多种类型的特点集中在某个人身上，但常以一种类型特点为主。

五、特质论

特质是指个人的遗传与环境相互作用而形成的对刺激发生反应的一种内在倾向。特质既可以解释人格，又可以解释性格，因为性格是狭义的人格。

美国心理学家奥尔波特最早提出人格特质学说。他认为，性格包括两种特质：一是个人特质，为个体所独有，代表个人的行为倾向；二是共同特质，是同一文化形态下人们所具有的一般共同特征。美国另一位心理学家卡特尔根据奥尔波特的观点，采用因素分析法，将众多的性格分为两类特质，即表面特质和根源特质。表面特质只反映一个人外在的行为表现，是直接与环境接触、常随环境变化而变化的，不是特质的本质。经研究，他把性格概括为35种表面特质。根源特质是一个人整体人格的根本特征，每一种表面特质都来源于一种或多种根源特质，而一种根源特质也能影响多种表面特质。它通过多年的研究，找出16种根源特质，它们是乐群性、聪慧性、稳定性、支配性、怀疑性、兴奋性、有恒性、敢为性、敏感性、幻想性、世故性、忧虑性、实验性、独立性、自律性、紧张性(具体含义详见阅读材料)。根据这16种各自独立的根源特质，卡特尔设计了卡特尔16种人格因素问卷，利用此量表可判断一个人的行为反应。

答案补充

气质是指人在言语表现、行为方式和表情方面稳定的个性心理特征。

　　

　　按人体有四种体液即血液、粘液、黄胆汁和黑胆汁，将气质分为四种类型即多血质、粘液质、胆汁质和抑郁质。

　　

　　　　

　　多血质的人表现为活泼好动，情感发生迅速而不能持久，思考问题敏捷，但做事常出错，比较轻浮不够踏实。

　　

　　胆汁质的人精力充沛、情感言语强烈、迅速难以控制，在生活中表现勇敢、顽强、竞争心强，但平时做事急躁而粗糙。

　　

　　粘液质的人安静沉着，动作迟缓而不活动，情感发生慢，认真踏实。

　　

　　抑郁质的人性格内向，感情丰富，思想清晰，但为人胆小孤僻、敏感、怯懦。

　　

　　以上四种气质没有好坏之分，每种气质类型的人都可以成为德才兼备的人才。俄国四位著名的文学家赫尔岑（多血质）、普希金（胆汁质）、克雷洛夫（粘液质）、果戈里（抑郁质）就是四种气质的代表。一个人应了解自己的气质，学会控制掌握自己的气质，按社会要求塑造自己的性格，这是自我修养的重要方面。

1形容爱情的词语

爱情：两情相悦、举案齐眉、相敬如宾、白头偕老、琴瑟和鸣、相濡以沫、如胶似漆、比翼双飞、一往情深、青梅竹马、心心相印、天作之合、海誓山盟、花好月圆、一见钟情、相见恨晚、朝思暮想、花前月下、连枝共冢、情有独钟、无怨无悔、风花雪月、矢志不渝、生死不渝、志同道合、百年好合、温情脉脉

山无棱，天地合，乃敢与君绝。

死生契阔，与子成悦；执子之手，与子偕老。

纤云弄巧，飞星传恨，银汉迢迢暗度。金风玉露一相逢，便胜却、人间无数。柔情似水，佳期如梦，忍顾鹊桥归路。两情若是长久时，又岂在朝朝暮暮。

在天愿做比翼鸟，在地愿为连理枝。

2表达情感的词语

含情脉脉 缠绵悱恻 欲说还休 魂不守舍 情真意切 情深意重 两情相悦 如胶似漆 柔情似水 情意绵绵 一往情深 爱恨交加 寸步不离 词不逮理 辞不达意 词不达意 词不逮意 愁红惨绿 愁红怨绿 触景生情 惨绿愁红 缠绵悱恻 痴男怨女 多愁善感 打成一片 跌脚捶胸 跌脚捶胸 跌脚槌胸 多情多感 多情善感 睹物兴情 动之以情 思断义绝 恩断义绝 儿女心肠 法不徇情 抚景伤情 凤协鸾和 飞眼传情 古井不波 感情用事 欢欣鼓舞 花残月缺 好恶不同 忽冷忽热 含情脉脉 豪情逸致 欢忻鼓舞 恨相见晚 恨相知晚 借景生情 禁情割欲 伉俪情深 口是心苗 脸红耳赤 脸红耳热 冷酷无情 冷若冰霜 凛若冰霜 凛若秋霜 凛如霜雪 冷血动物 冷心冷面 乐新厌旧 麻痹不仁 貌合情离 脉脉含情 莫逆之交 满腔热枕 满腔热忱 难分难舍 难舍难分 弄性尚气 婆婆妈妈 平心而论 秋波盈盈 情不自禁 情不自已 情孚意合 契合金兰 情景交融 情人眼里出西施 情随事迁 情深一往 秋水盈盈 琴瑟之好 情投契合 情投意合 情投谊合 情投意和 情投意洽 情投意忺 情文并茂 情逾骨肉 情意绵绵 情逐事迁 人非草木 人非木石 人非土木 如胶如漆 如胶似漆 如胶投漆 热泪盈眶 热情洋溢 如手如足 如兄如弟 人心如面 把描写离别用的词语：再见 描写开心的词语也 ：高兴 描写痛苦的词语 ：伤心 描写与一恋人在一起的词语 ：缠绵 描写思念的词语 ：怀念 描写勇敢面对的词语 ：大胆 描写心里惆怅的词语： 哀愁 描写为一个人伤心的词语 ：陪泪 表示走的词语：散步 表示听的词语：聆听 表示说的词语：讲述 表示看的词语：凝视 表示高兴的词语：喜悦 表示愤怒的词语：发怒 表示悲哀的词语： 悲痛 表示诚实的词语： 诚信 表示心理活动的词语 ：不安 描写离别用的词语：分离 描写开心的词语也：愉快 描写痛苦的词语：悲痛 描写与一恋人在一起的词语：幸福 描写思念的词语：想念 描写勇敢面对的词语：无畏 描写心里惆怅的词语：叹息 描写为一个人伤心的词语：惋惜 表示走的词语：离开 表示听的词语：倾听 表示说的词语：喊叫 表示看的词语：眺望 表示高兴的词语： 愉悦 表示愤怒的词语：怒吼 表示悲哀的词语：悲伤 表示诚实的词语：老实 表示心理活动的词语： 思考 表示讨厌，---损人利己，矫柔造作，油腔滑调，油嘴滑舌 表示尊敬，---尊老爱幼，相敬如宾，永垂不朽，名垂青史 表示鄙视，---不屑一顾，臭味相投，看风使舵，狡兔三窟 表示励志，---磨杵成针，再接再厉，弃暗投明，回头是岸 表示勤劳，---兢兢业业，脚踏实地，白手起家，起早贪黑 表示勇敢， ---从容不迫，披荆斩棘，奋不顾身，赴汤蹈火 表示生气，---大发雷霆，气急败坏，怒火中烧，怒发冲冠 表示“哭”的词语：泪流满面、泪如雨下、泪眼汪汪、泪如泉涌、嚎啕大哭、表示“笑”的词语：喜笑颜开、眉开眼笑、哈哈大笑、嫣然一笑、微微一笑 28表示“人物心情”的成语：忐忑不安、惊慌失措、闷闷不乐、激动人心、焦急万分、表示喜悦的：笑容可掬、微微一笑、开怀大笑、喜出望外、乐不可支 表示愤怒的：火冒三丈、怒发冲冠、勃然大怒、怒气冲冲、咬牙切齿 表示憎恶的：可憎可恶、十分可恶、深恶痛绝、疾恶如仇、恨之入骨 表示悲哀的：伤心落泪、欲哭无泪、失声痛哭、泣不成声、潸然泪下 表示忧愁的：无精打采、顾虑重重、忧愁不安、愁眉苦脸、闷闷不乐 表示激动的：激动不已、激动人心、百感交集、激动万分、感慨万分 表示舒畅的：舒舒服服、高枕无忧、无忧无虑、悠然自得、心旷神怡 表示着急的：迫不及待、忙忙、急不可待、操之过急、焦急万分 表示 表示愧疚的：追悔莫及、悔恨交加、于心不安、深感内疚、羞愧难言 表示失望的：心灰意冷、大失所望、灰心丧气、毫无希望、黯然神伤 表示害怕的：惊弓之鸟、提心吊胆、惊惶失措、惊恐万状、惶惶不安 心情不好的成语： 愁眉苦脸、垂头丧气、没精打采、闷闷不乐、多愁善感、愁眉不展、愁容满面、心神不定， 心旷神怡、悠然自得、心花怒放、欢天喜地、喜出望外、垂头丧气、惊恐万状、热泪盈眶、若无其事、恼羞成怒、悲痛欲绝、喜形于色、神采奕奕、眉飞色舞、心惊胆寒、面如土色 一、激动 悲喜交集 悲愤填膺 百感交集 感人肺腑 动人心弦 情不自禁 心潮澎湃 激昂慷慨 慷慨激昂 二、感激 感激涕零 感恩戴德 谢天谢地 没齿不忘 感同身受 三、懊丧 垂头丧气 灰心丧气 心灰意冷 心灰意懒 万念俱灰 自暴自弃 黯然销魂 大失所望 四、悲痛、哀悼 心如刀割 切肤之痛 哀毁骨立 悲天悯人 反映心情激动的成语 表示笑的词语： 哄堂大笑 开怀大笑 笑逐颜开 笑容可掬 喜笑颜开 欢声笑语 眉开眼笑 表示生气的词语 火冒三丈 大发雷霆 气急败坏 怒火中烧。

3关于感情的成语

成语（详解） 解释 爱则加诸膝，恶则坠诸渊 加诸膝：放在膝盖上；坠诸渊：推进深渊。

指不讲原则，感情用事，对别人的爱憎态度，全凭自己的好恶来决定 悲从中来 中：内心。指悲伤的感情从内心发出来 词不达意 达：表达。

词句不能充分、确切地表达思想感情 恩断义绝 恩：恩惠，恩情；义：情义，情份。恩爱和情义完全断绝，形容感情破裂 多愁善感 善：容易，好；感：伤感。

容易发愁和伤感。形容人感情脆弱 忽冷忽热 指时而冷静，时而感情冲动，情绪不稳定 禁情割欲 制约感情和欲望 哀感中年 形容人到中年对亲友离别的伤感情绪。

爱博而情不专 对人或事物的喜爱很广泛，而感情不能专一。 冷酷无情 冷漠苛刻，没有感情 冷血动物 体温随环境温度的改变而变化的动物。

比喻缺乏感情、对人对事冷漠的人 脸红耳赤 形容感情激动或害羞的样子 貌合情离 指两个人表面合得来，实际上感情不合 难分难舍 分：分离，分别；舍：放下。形容感情很好，不忍分开 难舍难分 形容关系密切，感情融洽，难以取舍 缠绵悱恻 旧时形容内心痛苦难以排解。

也指文章感情婉转凄凉。 痴男怨女 旧指爱恋极深但感情上得不到满足的男女。

触景生情 受到眼前景物的触动，引起联想，产生某种感情。 词不逮理 词：言语，词句。

逮：到；及。指说话、写文章时所用的词句不能充分、确切表达出思想感情。

辞不达意 辞：言辞；意：意思。指词句不能确切地表达出意思和感情。

寸步不离 寸步：形容距离很近。原指夫妻和睦，一步也不离开。

现在泛指两人感情好，总在一起。 打成一片 形容感情融洽，成为一体。

动之以情 用感情来打动他的心。 睹物兴情 见到眼前景物便激起某种感情。

多情善感 感情丰富，容易伤感。 儿女心肠 年轻男女的柔情。

亦指感情丰富、助人为乐的心性。 法不徇情 法：法律；徇：偏私；情：人情，私情。

法律不徇私情。指执法公正，不讲私人感情。

抚景伤情 接触到面前的景物而引起感情上的伤痛。 感情用事 凭个人的爱憎或一时的感情冲动处理事情。

含情脉脉 饱含温情，默默地用眼神表达自己的感情。常用以形容少女面对意中人稍带娇羞但又无限关切的表情。

恨相知晚 恨：懊悔；相知：互相了解，感情很深。后悔彼此建立友谊太迟了。

形容新结交而感情深厚。 豪情逸致 豪情：指兴奋豪放的感情；逸致：悠闲脱俗的情趣。

兴奋豪放的情感和洒脱的情趣。 花残月缺 形容衰败零落的景象。

也比喻感情破裂，两相离异。 伉俪情深 伉俪：夫妻，配偶。

夫妻之间的感情深厚。 冷若冰霜 冷得象冰霜一样。

比喻待人接物毫无感情，象冰霜一样冷。也比喻态度严正，不可接近。

莫逆之交 莫逆：没有抵触，感情融洽；交：交往，友谊。指非常要好的朋友。

满腔热枕 心里充满热烈真挚的感情。 脉脉含情 脉脉：两眼凝神，要向别人诉说心曲的样子。

饱含温情，默默地用眼神表达自己的感情。形容用眼神或行动默然地表达情意。

婆婆妈妈 形容人动作琐细，言语罗唆。也形容人感情脆弱。

弄性尚气 指凭感情办事，好耍脾气。 情投意合 投：相合。

形容双方思想感情融洽，合得来。 情不自禁 禁：抑制。

感情激动得不能控制。强调完全被某种感情所支配。

琴瑟之好 比喻夫妻间感情和谐。 平心而论 平心：心情平和，不动感情；论：评论。

平心静气地给予客观评价。 如胶如漆 象胶和漆那样黏结。

形容感情炽烈，难舍难分。多指夫妻恩爱。

情景交融 指文艺作品中环境的描写、气氛的渲染跟人物思想感情的抒发结合得很紧密。 人之常情 一般人通常有的感情。

人非木石 指人是有思想感情的，容易为外界事物所打动，不同于无生命、无知觉、无感情的树木石头。 情随事迁 情况变了，思想感情也随着起了变化。

情人眼里出西施 比喻由于有感情，觉得对方无一处不美。 人心如面 心：指思想、感情等。

指每个人的思想也象每个人的面貌一样，各不相同。 如胶似漆 象胶和漆那样黏结。

形容感情炽烈，难舍难分。多指夫妻恩爱。

手足之情 手足：比喻兄弟。比喻兄弟的感情。

热泪盈眶 盈：充满；眶：眼眶。因感情激动而使眼泪充满了眼眶，形容感动至极或非常悲伤。

如手如足 手足：比喻兄弟。比喻兄弟的感情。

如兄如弟 情如兄弟。比喻彼此感情好，关系密切。

声情并茂 并：都；茂：草木丰盛的样子，引伸为美好。指演唱的音色、唱腔和表达的感情都很动人。

深情厚谊 深厚的感情和友谊。 肃然起敬 肃然：恭敬的样子；起敬：产生敬佩的心情。

形容产生严肃敬仰的感情。 水 融 交融：融合在一起。

象水和乳汁融合在一起。比喻感情很融洽或结合十分紧密。

水性杨花 象流水那样易变，象杨花那样轻飘。比喻妇女在感情上不专一。

思断义绝 感情破裂。多指夫妻离异。

同床异梦 异：不同。原指夫妇生活在一起，但感情不和。

比喻同做一件事而心里各有各的打算。 无病 ：病痛时的低哼。

没病瞎哼哼。比喻没有值得忧伤的事情而叹息感慨。

也比喻文艺作品没有真实感情，装腔作势。 铁石心肠 心肠硬得象铁和石头一样。

形容心肠很硬，不为感情所动。 涕零如雨 涕零：流泪。

眼泪象雨水一样往下淌。形容思念的感情极深。

温情脉脉 脉脉：默默地用眼神或行动表达情意。形容饱。

4关于情感或感情的词语

把描写离别用的词语：再见

描写开心的词语也 ：高兴

描写痛苦的词语 ：伤心

描写与一恋人在一起的词语 ：缠绵

描写思念的词语 ：怀念

描写勇敢面对的词语 ：大胆

描写心里惆怅的词语： 哀愁

描写为一个人伤心的词语 ：陪泪

表示走的词语：散步

表示听的词语：聆听

表示说的词语：讲述

表示看的词语：凝视

表示高兴的词语：喜悦

表示愤怒的词语：发怒

表示悲哀的词语： 悲痛

表示诚实的词语： 诚信

表示心理活动的词语 ：不安

描写离别用的词语：分离

描写开心的词语也：愉快

描写痛苦的词语：悲痛

描写与一恋人在一起的词语：幸福

描写思念的词语：想念

描写勇敢面对的词语：无畏

描写心里惆怅的词语：叹息

描写为一个人伤心的词语：惋惜

表示走的词语：离开

表示听的词语：倾听

表示说的词语：喊叫

表示看的词语：眺望

表示高兴的词语： 愉悦

表示愤怒的词语：怒吼

表示悲哀的词语：悲伤

表示诚实的词语：老实 含情脉脉

缠绵悱恻

欲说还休 魂不守舍 情真意切 情深意重 两情相悦

如胶似漆 柔情似水 情意绵绵 一往情深 爱恨交加

寸步不离 词不逮理 辞不达意 词不达意 词不逮意

愁红惨绿 愁红怨绿 触景生情 惨绿愁红 缠绵悱恻

痴男怨女 多愁善感 打成一片 跌脚捶胸 跌脚捶胸

跌脚槌胸 多情多感 多情善感 睹物兴情 动之以情

思断义绝 恩断义绝 儿女心肠 法不徇情 抚景伤情

凤协鸾和 飞眼传情 古井不波 感情用事 欢欣鼓舞

花残月缺 好恶不同 忽冷忽热 含情脉脉 豪情逸致

欢忻鼓舞 恨相见晚 恨相知晚 借景生情 禁情割欲

伉俪情深 口是心苗 脸红耳赤 脸红耳热 冷酷无情

冷若冰霜 凛若冰霜 凛若秋霜 凛如霜雪 冷血动物

冷心冷面 乐新厌旧 麻痹不仁 貌合情离 脉脉含情

莫逆之交 满腔热枕 满腔热忱 难分难舍 难舍难分

弄性尚气 婆婆妈妈 平心而论 秋波盈盈 情不自禁

情不自已 情孚意合 契合金兰 情景交融 情人眼里出西施

情随事迁 情深一往 秋水盈盈 琴瑟之好 情投契合

情投意合 情投谊合 情投意和 情投意洽 情投意忺

情文并茂 情逾骨肉 情意绵绵 情逐事迁 人非草木

人非木石 人非土木 如胶如漆 如胶似漆 如胶投漆

表示心理活动的词语： 思考

5关于情感或感情的词语

情绪与情感分类基本情绪：喜：喜悦、兴奋、幸福、热情、乐趣、满足、骄傲、自信、优越感、谢意、喜爱、感动、激动、傲慢、惊喜、怒：愤怒：愤怒、生气、对抗、狂怒、暴怒、哀悲伤：悲伤、孤独、悲痛、凄凉、悲惨、悲哀惧：惊：惊吓、恐：恐惧、害怕、自卑、负罪、惊骇、情感：爱： 思：思念、想念、信任：虔诚、恭敬、尊敬、崇拜、同情、怜惜、珍惜，怜悯、接纳、包容：温暖、窝心、安静、平静、安宁、镇静、恶：耻：羞耻、羞愧、尴尬、侮辱、耻辱，羞辱、惭愧厌恶：厌烦、烦恼、讨厌、反感、憎恨、鄙视、燥欲：有望：好奇、诧异、惊奇、羡慕、渴望、盼望，希望、期盼忧：困惑、迷惘、忧愁、担心、担忧、无望：绝望、失望、沮丧、复合情绪与情感：不安（恐+忧）、哀怜（爱+哀）、后悔（耻+怒+哀）、嫉妒（怒+恶），不耐烦（累+厌恶），燥（累+厌恶+愤怒）特殊状态：无聊：空闲、焦虑、抑郁是状态有待分类的情绪：苦闷，压抑，憋屈，委屈，。

6描写情感的词语

不离不弃、心如死灰、幽柔断寡、手足同情、愁红惨绿 愁红怨绿 触景生情 惨绿愁红 缠绵悱恻痴男怨女 多愁善感 打成一片 跌脚捶胸 跌脚捶胸 跌脚槌胸 多情多感 多情善感 睹物兴情 动之以情 思断义绝 恩断义绝 儿女心肠 法不徇情 抚景伤情 凤协鸾和 飞眼传情 古井不波 感情用事 欢忭鼓舞 花残月缺 好恶不同 忽冷忽热 含情脉脉 豪情逸致 欢忻鼓舞 恨相见晚 恨相知晚 借景生情 禁情割欲 伉俪情深 口是心苗 脸红耳赤 脸红耳热 冷酷无情 冷若冰霜 凛若冰霜 凛若秋霜 凛如霜雪 冷血动物 冷心冷面 乐新厌旧 麻痹不仁 貌合情离 脉脉含情。

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。

主要依赖于成人的评价属于自尊这一高级情感。自尊是指一个人对自己的价值、能力、地位和尊严的一种认知和评价，它是人们自我价值感和满足感的重要来源。在成长过程中，孩子的自尊感通常会受到家庭、学校和社会等因素的影响，其中成人的评价是非常重要的因素之一。

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。