情感分析研究綜述

江紅

Abstract： With the rapid development of e-commerce and social media， vast amounts of information regarding every aspect of the social life sprang into existence on the Internet. It has become urgent requirements of multiple fields in the society to analyse this information， mine the opinions behind it， and determine the sentiment orientation. This paper elaborates on the review of sentiment analysis and opinions mining in terms of their definitions， applications and classifications.

引言

情感分析與觀點挖掘是自然語言處理領域的一個基礎任務，屬于文本分析范疇。其目的是從文本中判定識別論點，挖掘分析情感傾向，抽取得出主要的觀點要素。

近年來，隨著互聯網與社會媒體的迅猛發展，涌現、并累積了含有觀點的海量文本，故而引發了人們對情感分析的探索研究熱潮。目前，在社會很多方面都可見到有關情感分析的應用與產品，如醫院、旅游、金融領域等。正因如此，所以情感分析已經吸引了研究學界的高度重視與關注。本文即針對這一內容方向展開如下的研究討論。

1情感分析（觀點挖掘）定義

首先，需要厘清情感與觀點的區別與聯系。在Merriam-Webster詞典中，情感指的是一種態度、想法，或者是感性的判斷，而觀點是一種論斷和判斷，或者稱之為一種在人腦中形成的對于某一事物的評價。觀點用來描述情感、評價、態度及其要素，情感則用來描畫觀點中蘊含的褒義或貶義的情感傾向。從上述定義不難看出，兩者之間有著緊密的內在聯系，只是側重不同。觀點偏重于一個人對于某一事物形成的具體看法，而情感更側重的是一個人內在的某種感情。此外，情感和觀點還具有一個共同特征，即都帶有鮮明的主觀性，都是主觀意愿的一種表現。而每個人的性情、經歷、興趣、愛好等方面各有不同，即使同一個人，在不同時期也可能處于不同環境和地位，這些因素都會直接或間接影響一個人對事物所產生的情感傾向結果。

在學術界，情感分析，也可稱為觀點挖掘。其研究目標是從文本中分析展示人們對于實體及其屬性所表達的觀點、情感、評價、態度和情緒。這里的實體可以是各種產品、個人、機構、事情和服務等。這是一類旨在利用可計算的方法從自然語言文本中提取觀點和情感信息的研究。從自然語言處理的角度看，情感分析的任務就是識別出人們談論的主題以及針對主題所表達出來的觀點傾向。

2情感分析的應用

綜合前述研究，本文擬從個人、企業（機構）這2個角度來闡釋解讀情感分析的應用需求，系統論述詳見如下。

2.1個人角度

當某一個體試圖去做決定、并轉換為行為時，通常會斟酌、考慮他人的意見、建議、觀點及看法?；蛘哒f，他人的意見和觀點對一個人的決定和行為將產生顯著影響。例如，當某人在購買一款商品時，就不僅會主動聽取朋友、同事等對這個商品的有關意見，在當今的大數據時代，更多的還會從互聯網上搜集與此商品有關的熱點評價或各種形式的集體討論等開放信息，根據這些信息來決定是否將購買這一行為付諸實施。

2.2企業（機構）角度

在過去，一個企業（機構）若想了解自己的產品或服務在大眾心中的品質形象和評價等信息，只能通過面對面交流或采取設計調查問卷的方式獲取。同樣，在大數據時代，即可從互聯網上探尋搜羅相關信息。此外，對于企業（機構）來說，還有另一種路徑可以得到這些信息，即企業（機構）內部數據。例如，企業（機構）的內部生產數據、銷售數據、各種數據報表，調研報告等。從這些數據中，同樣可以反映出針對產品或服務的觀點信息。

3基于文本粒度的情感分析分類

情感分析的處理對象是文本，而文本有大有小，既可以是一個完整的文檔，也可以是一個句子，還可以是一個單詞或短語。根據文本的這一特性，情感分析研究可以劃分為3個層次，即：文檔級情感分析、句子級情感分析、屬性級情感分析。基于此，可得研究工作分述如下。

3.1文檔級情感分析

文檔級情感分析（document-level sentiment analysis）是判別一個完整文檔所表達的情感傾向是褒義的、還是貶義的技術處理方法。顯然，文檔級情感分析在運行上也存在著一定欠缺，究其原因有2個方面。一方面，因為文檔級情感分析是將一個文檔視作一個整體，其目標是判別通篇文檔的整體觀點和情感，而未對文檔中的具體實體或屬性進行情感分析，因此，文檔級情感分析未能臻至更精細的情感辨識，導致文檔級情感分析的實用價值表現出明確的局限性。例如，針對一篇有關某個商品的含有觀點的文檔，文檔級情感分析只能判別出這篇文檔對這個商品總體上是褒義、還是貶義的情感傾向，這個判別結果對人們來說是粗糙的，人們往往需要探究了解更多細節，而且這些細節對人們未來的決策可能發揮至關重要的支持作用，但是文檔級情感分析卻難以達到這一效果。另一方面，文檔級情感分析需要立足于一個前提假設基礎上，即假設這個完整文檔只對一個實體進行評價，研究可知該假設并不能滿足實際需求。實際情況往往是一個文檔會評價多個實體，這也在一定程度上削弱了文檔級情感分析的實用價值。例如，對論壇發言、博客等帖子的情感分析，在此過程中大多數帖子會同時評價多個實體，此時文檔級情感分析就不能判別出帖子的情感傾向。

3.2句子級情感分析

句子級情感分析（sentence-level sentiment analysis）的研究對象是含觀點文檔中的句子，判別句子中所包含的情感傾向，換言之就是判別每個句子中的情感傾向是正面、負面、還是中性的。其中，中性情感傾向意味著不含有觀點和情感傾向。相對文檔而言，句子可看成比較短的文檔，因此句子本身包含的信息較少，這就導致句子級情感分析的研究將頗具現實難度。

句子級情感分析與文檔級情感分析相比，有2個相似點。分析闡述如下。

（1）兩者都不研究觀點和情感傾向所指向的實體（或屬性）是什么。

（2）兩者都有一個前提假設。文檔級情感分析的前提假設是只對一個實體進行評價；句子級情感分析的前提假設是一個句子只表達了一個觀點或只含有一個情感傾向。

句子級情感分析與文檔級情感分析的不同之處，除判別對象的粒度不同外，句子級情感分析增加了中性情感傾向這一判別結果。實際應用中，文檔中會出現很多不表達觀點和情感傾向的句子，這是句子級情感分析不容回避、且亟待有效判別的一個重要問題。

雖然句子級情感分析不像文檔級情感分析般寬泛、粗糙，但由于句子級情感分析仍然不能識別觀點和情感傾向的實體（或屬性）是什么，即使得句子級情感分析在性能評價效果上依然欠佳。具體表現在2個方面。一方面，實際應用中，如果只能給人們提供觀點和情感傾向，卻不能給出這些觀點和情感傾向所指稱的對象實體（或屬性），這對人們的需求而言，其意義和參考價值就會有大幅降低，那么句子級情感分析的應用范圍也將受到很大限制。另一方面，因為句子級情感分析有潛在的前提假設，即一個句子只表達一個觀點或只含有一個情感傾向，所以句子級情感分析只能判別僅有一個觀點的簡單句，不能判別和處理復雜句、組合句等，也不能判別相對特殊的比較句。

3.3屬性級情感分析

屬性級情感分析（attribute-level sentiment analysis）直接關注的是觀點以及觀點的對象，而不是文檔、句子、短語等語言單位。該項研究內容是通過判別和挖掘發生在實體及其屬性上的觀點信息，并最終描述輸出所關注的對象實體及其屬性的觀點信息。屬性級情感分析能夠滿足人們想獲取有關實體及其屬性詳細信息的需求，具有良好的應用價值和可觀的研究前景。還需一提的是，基于主題的情感分析、基于實體的情感分析、基于目標的情感分析是屬性級情感分析在不同應用領域中的不同命名。

在此基礎上不難看出，屬性級情感分析包含2個主要問題。一是觀點判別對象的抽取，即屬性本身的抽取?？紤]到屬性與實體的密切關系，屬性抽取本身包含實體抽取。二是屬性級情感的抽取，其任務就是甄別判斷句子中針對不同屬性所表達的觀點傾向，推出其為正面、負面還是中性。

屬性級情感分析也面臨諸多問題尚且處于研發階段，在此僅給出方向性概述如下。

（1）在實體和屬性抽取方面。因為抽取精度不高，需要研究和創建新的提取方法；而且，目前只是基于名詞和名詞短語進行屬性的抽取，還未能拓展到由動詞表達的屬性抽取。

（2）在屬性級情感抽取方面。研究發現表達情感的語言學模板因為囿于自身在應用和描述上的困難而導致其應用效率仍然差強人意；同時，情感詞典因領域不同而存在顯著差別，所以情感詞典的建立和維護工作量則可堪稱巨大；此外，關于如何去掉各種拼寫、語法和標點錯誤等數據噪聲，實現預處理也是目前一個焦點性的研發課題。

4結束語

近年來，針對情感分析，人們在研究和應用方面已經進行了深入探討，取得了長足進步。雖然如此，人們對于情感分析的認識以及時下的解決方案仍未達到理想水準。目前還沒有一個算法能夠實效、完備地解決情感分析問題。也就是說，在技術上，情感分析仍然具有廣闊的研究天地和發展空間。尤其是伴隨社會媒體數據的海量興起態勢，讓人們可以在大數據基礎上開展研究、設計實驗。期待不久的將來，通過不斷的探索創新，人們能夠搭建一個針對自然語言的情感分析處理系統，只要對這個系統輸入一些含有觀點和情感的文檔、句子等，系統就能夠自動調取情感分析高智能地處理輸出相應觀點和情感的詳盡結果信息。

參考文獻

[1] LIU Bing. 情感分析：挖掘觀點、情感和情緒[M]. 劉康，趙軍，譯. 北京：機械工業出版社，2017.

[2] CHEN Zhiyuan， LIU Bing. Topic modeling using topics from many domains，lifelong learning and big data[C]//CML'14 Proceedings of the 31st International Conference on International Conference on Machine Learning. Beijing， China：ACM， 2014：II（703）-II（711）.

[3] CHEN Zhiyuan， LIU Bing. Mining topics in documents：Standing on the shoulders of big data[C]//Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York， USA：ACM，2014：1116-1125.

[4] MICHALSKI R S，BRATKO I，KUBAT M. 機器學習與數據挖掘：方法和應用[M]. 朱明，譯. 北京：電子工業出版社，2004.

[5] 黃林軍，張勇，郭冰榕. 機器學習技術在數據挖掘中的商業應用[J]. 中山大學學報論叢，2005，25（6）：145-148.

[6] 梁曉音. 機器學習在數據挖掘中的應用[J]. 廣西質量監督導報，2008（11）：38-39，42.

[7] GROTH R. 數據挖掘—構筑企業競爭優勢[M]. 侯迪，宋擒豹，譯. 西安： 西安交通大學出版社，2001.

[8] 田文英. 機器學習與數據挖掘[J]. 石家莊職業技術學院學報，2004，16（6）：30-32.

[9] BOSE I， MAHAPATRA R K. Business data mining- a machine learning perspective [J]. Information & Management，2001，39（3）：221-225.