由中文PAD模型得的数据如何分析？

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。

　　摘 要： 基于传统英语写作教学的弊端，微博在写作中激发创作灵感和兴趣的优势，作者在高中写作教学中将两者紧密结合，主要根据交互式教学理念，利用微博平台，激发学生的写作兴趣，从而提高英语表达能力。

关键词： 微博 高中生 英语写作教学 交互式教学法

一、产生背景

传统的英语写作教学结构单一，课堂活动和知识多以教师讲授为主，学生是被动的接受者。一般过程为教师教授写作技巧，命题，要求学生在课内或课外规定的时间内完成，由教师批改评讲集中的语法和语义问题。结果造成很多学生只关注分数不注重 评语 和修改部分。这种操作模式，不但效率低，而且学生只会视写作为被动的应试任务，挫伤写作积极性和兴趣，致使学生“怕”写作，这无益于提高写作水平。

随着信息技术的发展，网络媒介不断影响和改变着人们的生活方式。近年网络掀起了一股“微博”热潮。微博以手机为主要传播媒介，博主可以及时将所感所悟所见所闻迅速发送到网上，传播快，实时性强，其语言表述精炼（至多140字），互动性强，为个性化创作提供了广阔的平台。

基于传统英语写作教学的弊端和微博在写作中激励创作灵感和兴趣的优势，我在高中写作教学中将两者紧密结合，根据交互式教学理念，利用微博平台，建立班级微博群并设置具体系统的教学操作步骤，引导鼓励学生用微博进行英语写作，旨在培养创作乐趣，满足内在需求并增强写作成就感，逐步提高英语表达能力。

二、理论依据

交互式教学法强调语言教学必须以“学生”为中心，教师应提供真实的有意义的语言材料，创造真实自然的语言环境，使学生进行有意义的学习，主张自主学习和激发内在动机。交互式教学法以互动为主要形式，师生互动、生生互动贯穿整个教学过程，充分发挥学生的自主性和能动性，极大满足学生的潜能和需求。并形成学生合作协同、优势互补的良好心理品质和社会技能，较大范围地提高学生的成绩和综合能力。

布朗认为语言在交流和克服困难努力交流的过程中收益最大。此外，约翰斯认为，写作不完全是个人行为，而是发生在社团之中的行为。从长远角度来看，交互式写作教学熏陶了学生的创作情感和兴趣。微博给学生的英语创作提供了充分的交流互动空间，克服表达障碍实现交流目的的机会，促进写作兴趣的开发。

从建构主义理论来看，学习是学习者通过新旧经验的双向互动和改造，主动构建知识和经验的过程。微博写作体现了建构主义、过程学习、反思性学习等先进的教育理念，有助于学生基于现实不断反思从而提高语言表达能力，也有助于鼓励学习者按照思维方式彰显个性观点，增进学生写作的意愿，调动写作积极性。

三、操作和意义

1丰富写作内容和教学活动

（1）规定微博数量，不限写作主题。传统的命题作文从形式和内容上规定学生不得不被动地硬性翻译出符合命题要求的文字。事实上语言学习过程是积极的认知过程，源于兴趣的创作不仅能写出有血肉的作品，还能从根本上改变学生对写作消极厌恶的态度。微博写作以学生为主体，写作素材必然得源于学生生活，这样，学生才能有感而发，有话可说。因此，我在学生的微博写作内容和文体上不作要求，只要是感兴趣的话题，学生就可以灵活运用英语表达人生感悟和生活体验，但在数量上作出明确规定，每天至少写一句，每周至少写一篇（140字）。如此操作旨在一方面实现量变到质变的突破，另一方面在微博写作教学的起步阶段能督促并培养学生微博写作的习惯，在记录生活的同时不断发现写作的乐趣。

（2）添加表情符号，文本不再枯燥单一。文字在表情的宣扬下显得更加有张力，从视觉上直观地彰显作者的心声。学生乐于在作文中添加各种表情，微博的这一功能满足了学生的心理需求，在表情符号的装饰下，学生的作文增添了艺术气息，语言跃然纸上，很有感染力。表情符号从侧面丰富了写作内容，引起了学生微博艺术化的愿望和兴趣。

（3）利用“微”特征，设置“流体”写作游戏。学生是微博写作的主体，利用微博字数少传播便捷的特点，较自然地自创出一些互动性强的链接式的写作活动。比如“点名”活动，即学生A发给学生B一个含有若干问题的链接，该问题涵盖面广，有生活常识、英语文化知识等，由B回答并修改部分问题，再转发给学生C令其回答。学生在“点名”游戏中用英语设置、回答问题，既练习了英语表达，又感到了这种“流体”写作很有趣。再比如故事接龙游戏，由班长发布第一句微博，每个同学随机跟帖一句，这样一轮下来班级成员自创的故事就接成了。在整个写作过程中，尽管每个学生仅撰写一句英文，但在好奇心的驱使下，学生会一边追着跌宕起伏的故事发展情节一边批判地审视故事的发展、结果和语言表达。改进故事表述语言和变换故事情节的再创造的强烈欲望被激发了出来。

2提倡交互式策略的应用

（1）交互点评，激发创作热情。传统写作练习常常出现反馈不及时，学生不重视的问题。此外，评价多由教师一人完成，评价结果较主观。微博建立了师生间和学生间的有效交流沟通的平台。微博上“新鲜事”一发布即有“粉丝”关注、跟帖和评论，博主从及时的反馈中反思或修改已生成的英语表达，增强了博主的写作意愿。微博的反馈互动形成相互激励的机制，学生为了给微博增加“人气”魅力值，会努力写出精致的妙语或作文，在竞争中学生写作的欲望得到有效的激励。

（2）阅读创作，润物细无声。微博写作以学生为主体，学生间相互欣赏、评阅和修改作文，活动始终以英语为工具，整个过程中增加了学生的阅读量和写作量。学生发现伴随着“敲”键盘的节奏和乐感写作，乐在其中。此外，教师是学生自主学习和交互活动的指导者，也是微博群里的一员。因此，教师应该参与其中，比如定期撰写教师的故事和心得等学生平时关注的话题，通过阅读教师的微博，提高了学生的阅读水平，教师也要常去学生的微博里“踩踩”，留下评论和鼓励，这样不仅会架起师生情感沟通的桥梁，还会给予学生很大的激励。

（3）团结写作，疏通表达障碍。无论在写作还是点评过程中，学生都必然会遇到词不达意，句式不地道等问题。微博恰好为学生提供了互助学习的平台。学生利用微博向老师或同学发私信或将遇到的难题直接撰写到微博上引起关注同学们的集体讨论并共同寻求各种有价值的参考资源，分析研究解决表达的问题。比如，有学生读了《礼记·杂记（下）》：“……一张一弛，文武之道。”有感而发，想在微博上发表“生活应该有张有弛”，但是不会表达“有张有弛”，于是向微博上的同学们求助。一发问便引起热烈的讨论，同学给出了很多参考词汇，如：strict and relaxed，tense and loose，work and rest等，同学们请教了语文老师，深入了解了“有张有弛”的含义；通过网络翻译、在线词典软件Lingoes及常用词典逐一分析比较，最终发现教材中学过“flexible”这个词，意为“able to make changes or deal with a situation that is changing”，该词恰能很好地概括“有张有弛”的含义，既简洁又易理解，可见微博带给学生的不仅是创作的舞台，而且有很多互相学习进步的机会，并且在互动的建构学习中，学生吸收到百科知识，动机强，效率高，兴趣浓。

3建立形成性学习观念

从横向看，微博写作给学生提供了丰富广阔的互动场所，学生充分利用这个高效传播的媒介，把读到的美句或美文的网站链接发送到微博上，推荐给其他同学，有效实现资源共享，便于学生在写作中仿照学习精美的语言表达。从纵向看，微博记录了学生所有的话语和作文，建立了个人写作档案袋。利用这个档案袋，学生在回顾旧作的同时不断反思，温故知新，亲身体会到过程写作中的成长和进步。微博档案袋和资源库增强了学生写出好作文的信心，写作逐渐内化为自主学习和“积累—整合—熟练”的活动，促进写作能力在“立意构思—遣词造句—升华主题”的外化程序中得到强化，从而促进写作转化为强烈的内部动机。

四、结语

总之，在利用微博进行英语写作时，一方面要充分利用微博高效传播，资源共享，及时评论等优质功能，另一方面要兼顾学生主体，关注学生的需求、心理特征和当下的写作水平，统筹兼地顾设计好适合学生身心发展和写作技能提高的英语微博写作天地，使学生在交互式写作探索中品味到写作的乐趣，逐渐养成自然自愿地写微博、写短文的习惯，不断增强写作信心和创作兴趣，提高英语表达素养。

参考文献：

［1］Arthur Brookes & Peter Grundy英语写作教学［M］刘道义，导读北京：外语教育与研究社出版社，2000，（10）

［2］吴伟网络日志辅助下的大学英语写作教学初探［J］张家口职业技术学院学报，2010（2）：79-80

［3］李丽交互式写作在英语专业英语写作教学中的应用［J］经济研究导刊，2010（29）：251-253

［4］刘奇志，何承全网络平台下大学英语写作教学平台的选择与运用［J］咸宁学院学报，2010（9）：128-130

这是神秘诗人河川敷的代表作，极简主义在文学中的完美运用。诗人用一个"过来人"的口吻探讨情感问题,包括如何作出选择如何坚定如何牺牲如何妥协如何岁月静好,

一个词语,一段解释,如同字典, 也是很多年前"微博" 的前生, 自从河川敷的字典出现,才出现了"微博"这样的表达方式, 所以诗人河川敷是"微博体鼻祖"

 

收录在《鲤/孤独》中是删减版本叫《我的生词簿》

 

残酷:

 

　　我们曾经相爱。

 

　　他怕我孤独终老，只和我说信仰的事，

 

　　好让我有一个虚空的依靠。

 

　　我怕他孤独终老，让他结婚生子，

 

　　好让他手上丰富有余。

 

　　谁比谁残酷？

 

 

 

爱情：

 

　　它与得失无关，与青春苍老无关，

 

　　与荣登淘汰无关，与他她无关，

 

　　亦非游戏，宿命，选择，征战，试诱，孤独到底，不可或缺

 

　　它不过是一种心之所向。

 

 

继续:

 

　　真的爱永远只会在沉默中发生，

 

　　在沉默中继续。

 

　　却没有所谓的永不分离。

 

 

 

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。

[EPWING]小学馆日本大百科

链接:http://panbaiducom/s/1qZdL5 密码:5pmt

转自诸神字幕组官方论坛

http://wwwkamigamiorg/thread-41670-1-1html 该帖中为[词典工具] EBWIN及EBWING日语词典下载（大辞林，广辞苑等）

网络舆情分析技术有数据抓取，数据分析，数据实时监控。

实施舆情监控必须具备三个条件：1 监控的主体必须是有执法权的国家部门；2 被监控对象有危害社会危害国家的重大嫌疑；3 监控的程序必须合理合法，不得侵害个人隐私以及正常的商业利益，必须维护个人和团体的合法权益，监控的目的是维护国家的安全与稳定。

有关舆情监控可以联系上海蜜度。上海蜜度的新浪舆情通根据客户需求进行全网数据的获取、清洗、监测、分析、预警，同时通过数据挖掘与分析模型减少人为因素对客观数据分析结果的影响，保证舆情数据的及时性、准确性、全面性。 专业舆情服务团队则根据客户具体需求提供更加个性化的人工服务，包括：内容分拣、要闻推送、简报制作、专业报告定制等舆情服务