百度智能云情感分析怎么用

百度智能云情感分析，那么一般来说对于每个人的各种情绪和感情，他还是能给予正确的判断的，除非你是特殊的状况，就要起感情一些咨询公司去咨询了百度云所组成的一些系统，或者说感情上面的事情基本上是90%人都会遇到的，所以说准确率还是蛮高的，您可以针对性的去咨询一下。

1 对文言文的认识从内容情感分析

“作者在文言文中的观点态度”是指作者的思想主张，以及作者对文中人、事、理的看法评价，是作者的感情态度在文中的反映，带有强烈的主观色彩。

“分析概括作者在文言文中的观点态度”，就是把作者在文中或直露、或含蓄、或集中、或分散的观点态度分析、推理、概括出来。高中文言文主要考查传记类文章，因此必须了解所写人物的品质和功德，注意文中作者的简评性文字，如“孝甚”“刚直”等，注意记叙文中议论性的句子以及议论文中表达作者观点的句子等。

作者在文章中表述自己的观点态度一般有以下两种形式： 间接表达――可能借叙述人物、事件时选用的有褒贬色彩的词语来表现作者的情感倾向，也可能借助文中的一个人物说出来，还可能借转述别人的评论来表达自己的意见。 直接表达――通过议论性文字中的中心论点、分论点，记叙性文字中的议论抒情句，说明性文字中的评述性语言来表现。

如《史记》中的文章结尾常有“太史公曰”等评价性语言。 “分析概括作者在文言文中的观点态度”常见的命题角度主要有两种：（1）依据文章有关材料，分析作者的基本观点态度。

（2）分析文章的有关内容，推理、概括作者的观点态度。考查时多与“归纳内容要点，概括中心意思”合并在一起，以选择题的形式考查。

二、答题方法 做这类题一定要整体阅读原文，根据具体语境分析文章中心和观点态度。具体说来，有以下几种方法： 1借“题”解“文”。

文言文中用来命题的句子，往往是文中的关键语句，试题中对文章分析概括的文字，一般也涉及文章的主要内容。在整体阅读的基础上，借“题”解“文”是了解文章大意的一个重要技巧，通过“倒读法”，可以巧妙寻找到解题的钥匙。

2筛选法。弄清选项中的“观点态度”所指的具体对象、文句范围，就是要看选项中列举的作者观点态度是针对哪一个人物、哪一件事的，议论性文字体现在哪里。

再将选项列出的“观点态度”与文中筛选出的相应的“观点态度”加以比较，得出正确选项。 3概括评价法。

作者在文中的观点是通过对人物、事件的记叙、议论评价来表现的，因此就要从人物的言行、事件的叙述中，概括评价作者的观点态度，将这种评价与选项中的评价比较辨析，选出符合题干要求的选项。 4抓题眼法。

认真审视题干，抓题干中的关键信息，明确要求，仔细比对，综合分析，从而找出正确答案。

2 怎样分析文言文

先把整个文章的意思大概了解一下，然后文言文中经常出现的一些字你要刻意去记一下，初中的文言文一般不会太难，特别重要的一点：不管你知道不知道文言文的意思，你都要把它背下来，因为虽然你初一不能理解，但你以后会理解的，文言文是靠积累的~~我初中时很多文言文也是不理解意思，慢慢就好了，我初中时所有的文言文全部都背会了，学文言文很重要，以后你上高中就知道了，高考时文言文阅读是拉开学生分数的一个大题，加油，慢慢来`~学文言文不能急，____07年高考考生留（已考上大学）。

3 对文言文的认识从内容情感分析

“作者在文言文中的观点态度”是指作者的思想主张，以及作者对文中人、事、理的看法评价，是作者的感情态度在文中的反映，带有强烈的主观色彩。

“分析概括作者在文言文中的观点态度”，就是把作者在文中或直露、或含蓄、或集中、或分散的观点态度分析、推理、概括出来。高中文言文主要考查传记类文章，因此必须了解所写人物的品质和功德，注意文中作者的简评性文字，如“孝甚”“刚直”等，注意记叙文中议论性的句子以及议论文中表达作者观点的句子等。

作者在文章中表述自己的观点态度一般有以下两种形式： 间接表达――可能借叙述人物、事件时选用的有褒贬色彩的词语来表现作者的情感倾向，也可能借助文中的一个人物说出来，还可能借转述别人的评论来表达自己的意见。 直接表达――通过议论性文字中的中心论点、分论点，记叙性文字中的议论抒情句，说明性文字中的评述性语言来表现。

如《史记》中的文章结尾常有“太史公曰”等评价性语言。 “分析概括作者在文言文中的观点态度”常见的命题角度主要有两种：（1）依据文章有关材料，分析作者的基本观点态度。

（2）分析文章的有关内容，推理、概括作者的观点态度。考查时多与“归纳内容要点，概括中心意思”合并在一起，以选择题的形式考查。

二、答题方法 做这类题一定要整体阅读原文，根据具体语境分析文章中心和观点态度。具体说来，有以下几种方法： 1借“题”解“文”。

文言文中用来命题的句子，往往是文中的关键语句，试题中对文章分析概括的文字，一般也涉及文章的主要内容。在整体阅读的基础上，借“题”解“文”是了解文章大意的一个重要技巧，通过“倒读法”，可以巧妙寻找到解题的钥匙。

2筛选法。弄清选项中的“观点态度”所指的具体对象、文句范围，就是要看选项中列举的作者观点态度是针对哪一个人物、哪一件事的，议论性文字体现在哪里。

再将选项列出的“观点态度”与文中筛选出的相应的“观点态度”加以比较，得出正确选项。 3概括评价法。

作者在文中的观点是通过对人物、事件的记叙、议论评价来表现的，因此就要从人物的言行、事件的叙述中，概括评价作者的观点态度，将这种评价与选项中的评价比较辨析，选出符合题干要求的选项。 4抓题眼法。

认真审视题干，抓题干中的关键信息，明确要求，仔细比对，综合分析，从而找出正确答案。

4 怎样分析诗歌的思想感情

纵观以上的答案，不是太复杂就是太概括

我今年刚高考完，我觉得平时总结一些专业用语非常重要

因为很多时候在鉴赏时，如果不知道一些专业用语都会觉得词不达意

以下就是我总结的一些专业用语，我觉得很有用

以后遇见就去套，一般都会对上，熟练了自己就会有感觉了

思想感情：

1忧国伤时：

揭露统治者的昏庸无道

反映离乱的痛苦

同情人民的疾苦

2建功报国

建功报国的渴望

报国无门的悲伤

山河沦丧的痛苦

年华易逝，壮志难酬的悲叹

3思乡怀人

羁旅思愁

思念亲友

边关思乡

闺中怀人

4生活杂感

寄情山水，田园的悠闲

昔盛今衰的感慨

青春易逝的伤感

仕途失意的苦闷

告慰平生的喜悦

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。

1用来形容音乐旋律的感 彩的词语有哪些

婉转、柔和、轻快、悠扬、高雅。

一、婉转

（歌声、鸟鸣声等）抑扬动听：歌声婉转，也作宛转。

词义：形容言辞委婉含蓄或声音委婉而动听。婉转还可引申为辗转、曲折、绵密貌等意思。

引证： 聂绀弩《略谈鲁迅先生的<；野草>；》：“婉转 ，披发大叫，遍体搔抓，捶床顿足，自己也不知道在干什么，为什么，要什么。”

二、柔和

词义：柔软，温和。柔和的光线。性情柔和。

引证解释：茅盾 《子夜》三：“ 雷参谋用柔和恭敬的声音回答。”

三、轻快

轻松愉快：轻快的曲调，音乐中多指音调轻快的歌曲。

词义：不费劲儿、轻松愉快

引证解释：老舍 《牺牲》：“她走得极轻快，好像把一片阳光忽然全留在屋子外边。”

四、悠扬

形容声音高低起伏、悦耳和谐而传播很远，多指歌声悠扬。古诗词中也有久远，连绵不断；夕阳西下貌（也作悠阳）； 起伏不定，飘忽；缓慢，慢慢；形容诗文韵味无穷等意思。

引证解释：咏簪 《武昌两日记》：“ 宪章 听了，接着一面向外走，一面口里说道：‘我是穿的军服，怕他做什么？’说时也就悠扬而去。”

五、高雅

高尚，不粗俗：格调高雅。谈吐高雅。

词义：表现受过良好教养的高尚举止或情趣。比喻高超雅正。与“平庸邪恶”相对；也比喻高尚风雅，与“猥琐粗俗”相对。

引证解释：《老残游记续集遗稿》第五回：他同尘俗人处，他一样的尘俗；同高雅人处，他又一样的高雅。

2形容音乐好听的词语,有哪些

字正腔圆

解释：形容吐字准确，唱腔圆熟。

示例：他的字正腔圆的唱功让人佩服。

抑扬顿挫

解释：抑：降低；扬：升高；顿：停顿；挫：转折。指声音的高低起伏和停顿转折。

出自：宋·张戎《岁寒堂诗话》卷上：“而子建诗，微婉之情，洒落之韵，抑扬顿挫之气，固不可以优劣论也。”

天籁之音

解释：与地籁、人籁相比较， 天 籁是音乐的最高境界。天籁就是天上传来的声音，此曲只应天上有，人间难得几回闻。

3描写音乐的词语

音乐的成语

声震林木 阳关三叠 繁弦急管 曲高和寡 靡靡之音 绕梁三日 珠落玉盘 出谷黄莺 一唱三叹 五音不全 天籁之音 高山流水 余音绕梁 若即若离 虚无飘渺 铿锵有力 荡气回肠 震耳欲聋 不绝如缕

诗句

此曲只应天上有，人间哪得几回闻。 嘈嘈切切错杂弹，大珠小珠落玉盘。

音乐的名言

音乐教育并不是音乐家的教育，而首先是人的教育。

——苏霍姆林斯基

对美的感知和理解是审美教育的核心，是审美的要点。

—— 苏霍姆林斯基

欣赏音乐，需要有辨别音律的耳朵，对于不辨音乐的耳朵说来，最美的音乐也毫无意义。

—— 马克思

通过音乐并在音乐中教育我们的孩子

——（英）海伦辛普森

没有音乐，生命是没有价值的。

—— 尼采

没有早期音乐教育，干什么事我都会一事无成。

—— 爱因斯坦

音乐教育除了非常注重道德和社会目的外，必须把美的东西作为自己的目的来探求，把人教育成美和善的。

音乐是比一切智慧、一切哲学更高的启示，谁能渗透我音乐的意义，便能超脱寻常人无以自拔的苦难。

—— 贝多芬

我深信：质朴和真实是一切艺术作品的美的原则。

—— 格鲁克

一首我喜爱的乐曲，所传给我的思想和意义是不能用语言表达的。

—— 门德尔松

技术只有为高尚的目的服务，才有价值。

—— 舒曼

艺术的真正意义在于使人幸福，使人得到鼓舞和力量。

—— 海顿

不同生活接触，就不能为生活创作。不锻炼自己的人格，无由产生伟大的作品。

—— 聂耳

对我来说，音乐是灵魂的完美表现。

—— 舒曼

通过与诗的内在联系，音乐获得了新生。

—— 李斯特

在真正的音乐中，充满了一千种心灵的感受，比言词更好得多。

—— 门德尔松

最好是创作出真实情景，而不是照搬。

—— 威尔弟

我在旋律上花费很多功夫。重要的事情不在于旋律的开始，而是把它继续下去，发展成完满的艺术形象。

—— R斯特劳斯

作曲并不难，但剔除多余的音符却是极为困难的。

—— 勃拉姆斯

作曲家在创作一个作品时是全力以赴的。他轮番地经历了相信、怀疑、热心、绝望、欣喜和痛苦。

—— 比才

难道音乐家不应该象诗人和画家一样地研究大自然吗？事实上，他能够研究人——大自然最杰出的创造物。

—— 约弗雷沙特

我非常热爱音乐。正因为我热爱音乐，我试图让它脱离使它受到抑制的贫乏的传统。音乐是热情洋溢的自由艺术，是室外的艺术，象自然那样无边无际，象风，象天空，象海洋。绝不能把音乐关在屋子里，成为学院派艺术。

—— 德彪西

音乐之目的有二，一是以纯净之和声愉悦人的感官，二是令人感动或激发人的热情。

——罗杰诺斯

人们认为：我的艺术创作是轻而易举得来的。这是错误的。没有人像我那样在作曲上花费了如此大量的时间和心血。没有一位大师的作品我没有再三地研究过。

—— 沃阿莫扎特

音乐是心灵的迸发。它不象化学那样能进行实验分析。对伟大的音乐来说只有一种真正的特性，那就是感情。

—— 弗德雷里克柏辽兹

对一个作曲家来说，从他对农民音乐的研究中获得全部益处的方法是什么呢？那就是要完整地吸收农民音乐的语汇，以致达到除这种语汇以外忘掉一切的地步，并把这种语汇作为自己的音乐母语来使用。

—— 巴托克

4描写情感的成语有哪些

皆大欢喜、

笑逐颜开、

鬼哭神嚎、

七情六欲、

叱咤风云、

忍俊不禁、

贻笑大方、

睚眦必报、

眉飞色舞、

五十步笑百步、

人琴俱亡、

心如刀割、

嗤之以鼻、

插科打诨、

谈笑风生、

回眸一笑、

义愤填膺、

对牛弹琴、

闻过则喜、

同仇敌忾、

哭笑不得、

金刚怒目、

欢天喜地、

梨花带雨、

喜出望外、

新亭对泣、

怒不可遏、

兴高采烈、

如丧考妣、

怡然自得

由于语料缺乏，前期若使用到情感分析，建议暂时使用SnowNLP（此模块主要使用淘宝评论语料）做情感挖掘，但不仅仅为单纯调用，需要优化，下面是一些实践思考：

可在此基础上优化，比如文本需要特别处理，除了平常的去停用词外，还可以需要对输入的文本结合词性等进行处理。

下面是一些常识：

一）无情感的词语(如去停用词，去掉语气词，无词性标签的词语）

二）对于文本过长，则可以考虑提取关键词或抽取文本摘要后再提取关键词

对于后者实践结果差异明显：

以"发布了头条文章： 《5分钟11亿！京东双11场景化产品消费增长明显》 5分钟11亿！京东双11场景化产品消费增长明显 "为例子， 显然该文本为“积极”文本。

1）s = SnowNLP（"发布了头条文章：《5分钟11亿！京东双11场景化产品消费增长明显》 5分钟11亿！京东双11场景化产品消费增长明显"）

得分为05，明显不符合

2）s = SnowNLP（“ ”join(jiebaanalysetextrank("发布了头条文章：《5分钟11亿！京东双11场景化产品消费增长明显》 5分钟11亿！京东双11场景化产品消费增长明显")))

而对于文本特别长的，则可以先抽取摘要，再对摘要提取关键词。

这主要由于此SnowNLP主要用贝叶斯机器学习方法进行训练文本，机器学习在语料覆盖上不够，特征上工程处理不当会减分，也没考虑语义等。

为何要考虑语义层面：

以“ 苏宁易购，是谁给你们下架OV的勇气” 中的“ 下架”其实才是中心词（为表达愤怒的文本），但“ 勇气 ”为下架的宾语（其为积极的文本），此句应该结果小于05，但实际为088，去掉“苏宁易购”则为06>