基于表示学习的事实型隐式情感分析研究
随着互联网的迅猛发展,网络中由用户自主产生的文本大数据,
具有量大、面广、速度快等特点,给当代社会和经济发展带来前所未有的影响。文本情感分析是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。由于语言的多样性和复杂性,从表达层面依照是否含有显式情感词可分为显式情感分析和隐式情感分析。显式文本情感分析作为该领域的基础性研究,已有大量的相关研究成果。然而,人们对客观事物的体验及行为反应的情感是丰富而抽象的,往
往通过形象的修辞形式加以描述或者采用客观陈述方式表达自己的
隐式情感。这类情感缺少显式情感词作为情感指引,且表达更为含蓄、隐晦,已成为自然语言处理中的核心难题之一。在隐式情感分析中,
事实型隐式情感占有非常重要的地位。因此,本文将围绕事实型隐式情感分析,以表示学习方法为技术手段,从事实型隐式情感的特点分析、特征表示、特征融合学习等方面开展深入的研究与探索。主要研究内容及创新点如下:(1)隐式情感类型划分及事实型隐式情感的特
点分析。隐式情感按照其表达方式的不同,可划分为事实型、反问型、反讽型和比喻/隐喻型四类。本文通过对事实型隐式情感的大量分析,发现其具有情感背景一致性、情感目标相关性、语义背景相关性以及表达结构相似性四个基本特点。以此为基础,我们给出了事实型隐式情感的形式化定义,并将其识别划分为四个子任务,即上下文显式情
感识别与分类,隐式情感目标抽取,上下文显式情感语义背景表示和
事实型隐式情感表示四部分。(2)多层级、多类型的情感分析语料库
构建。由于文本情感分析,尤其是隐式情感分析领域缺乏高质量标注数据,本文按照情感类型从显式到隐式,按照语言层级由句子级到要素级,构建了一部多层次、多类型、大规模的情感分析语料库。并对语料库进行了详细的分析。该语料库成功应用在了COAE2014和COAE2015中文倾向性分析评测任务中,可为中文文本情感分析相关研究提供了数据支持,也为本文后续的相关研究提供了数据资源。(3)基于显式情感的上下文倾向性分类。基于显式情感的上下文倾向性分类的结果,可为事实型隐式情感的判别提供重要的参考。本文提出带有词语隐含关联关系的情感多元组表示,从文本中自动抽取<目标—转折—程度—评价>四元搭配,构建要素级情感袋模型,并构建以情感倾向性为权值的文本空间向量浅层语义表示,用于对上下文显式情感句进行识别和倾向性分类。在文本多级情感分类任务上的实验表明,要素级情感袋模型可以取得良好的显式情感分类效果。(4)基于实体表示的隐式情感目标抽取方法。隐式情感表示中涉及情感目标(情感对象、情感属性)抽取任务,本文将情感对象—属性实体间所蕴含的多种统计关联特征、句法结构关系特征与实体间的隐含语义关联特征融合于实体及实体间关系的表示学习过程中,构建了一个可自由组合各种关系特征的融合表示学习框架(FREERL),并将其应用于隐式情感表达的情感目标识别与抽取中。实验表明,多种关系的融合嵌入表示可以极大提升情感目标抽取的性能,并在测试集中大量出现新实体的(zero-shot)场景下,也可有效解决传统方法因训练不足导致的性能下降问题。(5)基于多级语义融合表示的事实型隐式情感分析方
法。事实型隐式情感通常以句子作为呈现方式,本文提出了多级语义融合的隐式情感表示学习统一框架,将三种层级的特征,即要素级的情感目标、句子级的隐式情感表达和篇章级的上下文显式情感语义背景表示进行融合,以实现情感背景一致性、情感目标相关性、语义背景相关性以及表达结构相似性融合表示的建模。针对句子级的隐式情感表达和篇章级的上下文显式情感语义背景的表示,提出了增强字向量模型(ECM)和基于句法语义关系嵌入的多层卷积神经网络模型(SDT-CNN)。其中,ECM模型以字作为句子的基本表示单元,并且融入了对应的词和词性信息;SDT-CNN模型进一步考虑了事实型隐式情感表达结构相似性的特点,嵌入句法关系信息且保留了文本的部分词序信息。实验表明,本文方法在事实型隐式情感句识别和倾向性分类任务上具有良好的效果。
文本情感分析综述? 赵妍妍+, 秦兵, 刘挺 (哈尔滨工业大学计算机科学与技术学院信息检索研究中心, 黑龙江哈尔滨 150001) A Survey of Sentiment Analysis * ZHAO Yan-Yan+, QIN Bing, LIU Ting (School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001, China) + Corresponding author: Phn: +86-451-86413683 ext 800, E-mail: zyy@https://www.doczj.com/doc/046626617.html, Abstract: Sentiment analysis is a novel research topic with the quick development of online reviews, which has drawn interesting attention due to its research value and extensive applications. This paper surveys the state-of-the-art research on sentiment analysis. First, three important tasks of sentiment analysis are summarized and analyzed in detail, including sentiment extraction, sentiment classification, sentiment retrieval and summarization; then the evaluation and corpus for sentiment analysis are introduced; finally the applications of sentiment analysis are concluded. This paper aims to take a deep insight into the mainstream methods and recent progress in this field, making detailed comparison and analysis. It is expected to be helpful to the future research. Key words: sentiment analysis; sentiment extraction; sentiment classification; sentiment retrieval and summarization; evaluation; corpus 摘 要: 文本情感分析是随着网络评论的海量增长而迅速兴起的一个新兴研究课题,其研究价值和应用价值受到人们越来越多的重视.本文对文本情感分析的研究现状与进展进行了总结.首先将文本情感分析归纳为三项主要任务,即情感信息抽取,情感信息分类以及情感信息的检索与归纳,并对它们进行了细致的介绍和分析;进而介绍了文本情感分析的国内外评测和资源建设情况;最后介绍了文本情感分析的应用.文本重在对文本情感分析研究的主流方法和前沿进展进行概括,比较和分析,以期对后续研究有所助益. 关键词: 文本情感分析;情感信息抽取;情感信息分类;情感信息的检索与归纳;评测;资源建设 中图法分类号: TP391文献标识码: A 随着Web2.0的蓬勃发展,互联网逐渐倡导“以用户为中心,用户参与”的开放式构架理念.互联网用户由单纯的“读”网页,开始向“写”网页、“共同建设”互联网发展,并由被动地接收互联网信息向主动创造互联网信息迈进.因此,互联网(如:博客和论坛)上产生了大量的用户参与的,对于诸如人物、事件、产品等有价值的评论信息.这些评论信息表达了人们的各种情感色彩和情感倾向性,如“喜”、“怒”、“哀”、“乐”,和“批评”、“赞扬”等.基于此,潜在的用户就可以通过浏览这些主观色彩的评论,来了解大众舆论对于某一事件或产品的看法.由于越来越多的用户乐于在互联网上分享自己的观点或体验,这类评论信息迅速膨胀,仅靠人工的方法难以应对网上海量信 ?Supported by the National Natural Science Foundation of China under Grant Nos. 60803093, 60975055 (国家自然科学基金) and the “863” National High-Tech Research and Development of China via grant 2008AA01Z144(863计划探索类专题项目)
教案：认识机器人（第一课时） 一、教学目标 知识目标：了解机器人的概念、产生、发展、种类与应用。技能目标：熟练利用网络查找信息和处理信息。 情感目标：培养学生对机器人的兴趣，培养学生关心科技、热爱科学、勇于探索的精神。 二、重点难点 教学重点：机器人的概念及应用 难点分析：机器人的概念 三、教学过程： 1、新课导入 21世纪被信息技术专家誉为智能机器人的时代，机器人在各行各业将得到更加广泛的应用，机器人技术综合机械工程、电子工程、传感器应用、信息技术、数学、物理、等多种学科，它代表着一个国家的高科技发展水平，例如我国首例远程遥控机器人手术就是由北京的医生通过电脑遥控着沈阳机器人“黎元”进行脑外科手术。 那究竟什么是机器人？我们要学习使用的机器人是什么样子？机器人能够做些什么？我们如何控制机器人？今天开始我一起走进机器人世界去寻找上述问题答案。 观看有关机器人的视频片段 2、教学内容 机器人的概念 各国科学家对机器人的定义有所不同，而且随着时代的变化，机器人的定义也在不断发生变化。 中国的科学家们把机器人定义为一种自动化的机器，具备一些与人或生物相似的能力，如感知能力、规划能力、动作能力、协同能力等，是一种具有高度灵活性的自动化机器，它的外形不一定象人。 判断一个机器人是否是智能机器人我们可以根据下面三个基本特点： （1）具有感知功能，即获取信息的功能。机器人通过“感知”系统可以获取外界环境信息，如声音、光线、物体温度等。 （2）具有思考功能，即加工处理信息的功能。机器人通过“大脑”系统进行思考，它的思考过程就是对各种信息进行加工、处理、决策的过程。 （3）具有行动功能，即输出信息的功能。机器人通过“执行”系统（执行器）来完成工作，如行走、发声等。 机器人的产生、发展、种类与应用 对这些内容请大家以小组合作的形式通过互联网、光盘等媒体检索信息，并设计一个关于机器人的有关知识的演示文稿。 1）成立小组，分工合作，制定活动计划。 小组成员 （2）确定“机器人世界探索”活动的探索主题，构建问题框架。 （3）评价要求 （1）展示 在小组内展示“机器人世界探秘”项目。 各小组推出代表参加班级交流。评选最佳主题奖、最佳演示奖、最佳合作奖。 （2）通过自评和互评的方式进行评价，标准如下： 3、作业布置 （1）说说机器人与一些电动玩具的区别？ （2）完成一个关于机器人演示文稿的制作，包括机器人的发展、机器人的分类、机器人的特点等内容。 三、课堂小结：这节课我们了解了机器人的概念和机器人的产生、发展、种类及应用等知识。并对学生的演示文稿的任务完成情况进行小结和评价。 第12课机器人学走路 教学分析： 本课教学内容为《小学信息技术》教材（浙江教育出版社）第四册第12课，属机器人模块。本课教学是在学生学习了《第10课我们身边的机器人》、《第11课机器人仿真软件》掌握了机器人的简单工作原理，初步掌握机器人仿真软件的使用，并会控制机器人走直线的基础上学习本课，为以后学习《机器人画正多边形》、《机器人分辨颜色》打下基础。 学情分析： 本次市研训活动，是临时选取了机器人模块的第3课作为教学内容，由于学生第一次接触机器人教学内容，且没有了第10课、第11课两课的铺垫，尽管学生对此教学内容充分好奇，但教学过程中教师处理不好，学生会觉得无从下手。因此，本课的教学对教师绝对是一次挑战。 教学目的： 1．知识与技能：学会使用“转向”模块编写程序，控制机器人转向；学会使用“启动电机”“延时”“停止电机”模块编程，控制机器人走弧线。 2．过程方法：通过任务驱动与学生的操作实践，使用学会简单的机器人编程控制思想。 3．情感态度与价值观：让学生在编程控制中体验成功的快乐，充分激发孩子学习信息技术的兴趣。 教学过程： 一、铺垫导入 1．出示机器人，简单师生交流，拓展学生对机器人的了解。讨论：机器人由程序来控制。我们用程序语言把机器人完成任务的步骤与方法表达出来，这个过程叫编程。 2．教师演示机器人控制程序在仿真软件中的仿真。 介绍：这种机器人的编程软件的启动与仿真。 3．学生打开范例尝试仿真。 讨论1：机器人的动作，如直行、拐弯等。 二、小组合作自主探究 1．任务一：让机器人动起来。 教师讲解与学生操作：介绍编程环境（菜单、快捷工具、模块库、编程区）----模块的拖放、移动、删除----直行模块与转向模块的设置---文件的保存 子任务1：机器人直行（教师示范，并讲解仿真环境的“运行、有轨迹、退出”几个按钮的使用。 子任务2：机器人原地转向（学生独立完成） 子任务3：机器人走折线（最好走出一个90度的角出来）
情感分析简述 分类：NLP2012-04-08 12:38 1022人阅读评论(3) 收藏举报情感classification算法测试translationmatrix 情感分析，我研究了也有半年有余了，ACL Anthology上关于情感分析的论文也基本看过了一遍，但是到目前还没有什么成就的。以下是我为一位同学毕业设计写的情感分析方面的综述，引用的论文基本上是ACL 和COLING还有EMNLP上历年关于情感分析的论文，本文应该学术性比较强一点，本文虽不打算发表，但由于将来可能还有用，以及关于学术上的原因，请大家如果要引用请务必标明出处 （https://www.doczj.com/doc/046626617.html,/s/blog_48f3f8b10100irhl.html）。 概述 情感分析自从2002年由Bo Pang提出之后，获得了很大程度的研究的，特别是在在线评论的情感倾向性分析上获得了很大的发展，目前基于在线评论文本的情感倾向性分析的准确率最高能达到90%以上，但是由于深层情感分析必然涉及到语义的分析，以及文本中情感转移现象的经常出现，所以基于深层语义的情感分析以及篇章级的情感分析进展一直不是很大。情感分析还存在的一个问题是尚未存在一个标准的情感测试语料库，虽然Bo Pang实验用的电影评论数据集（https://www.doczj.com/doc/046626617.html,/people/pabo/movie-review-data/）以及Theresa Wilson等建立的MPQA（https://www.doczj.com/doc/046626617.html,/mpqa/）是目前广泛使用的两类情感分析数据集，但是并没有公认的标准加以确认。 目前情感分析的研究基本借鉴文本分类等机器学习的方法，还没有根据自身的特点形成一套独立的研究方法，当然在某种程度上也可以把情感分析看出一种特殊的文本分类。比较成熟的方法是基于监督学习的机器学习方法，半监督学习和无监督学习目前的研究不是很多，单纯的基于规则的情感分析这两年已很少研究了。既然目前很多情感分析的研究基于机器学习，那么特征选择就是一个很重要的问题，N元语法等句法特征是使用最多的一类特征，而语义特征（语义计算）和结构特征（树核函数）从文本分类的角度看效果远没有句法特征效果好，所以目前的研究不是很多的。 由于基于监督学习情感分析的研究已经很成熟了，而且在真实世界中由于测试集的数量要远远多于训练集的数量，并且测试集的领域也不像在监督学习中被限制为和训练集一致，也就是说目前情感分析所应用的归纳偏置假设在真实世界中显得太强的，为了和真实世界相一致，基于半监督学习或弱指导学习的情感分析和跨领域的情感分析势必是将来的研究趋势之一。 在情感分析的最初阶段基于语义和基于规则的情感分析曾获得了比较大的重视，但是由于本身实现的复杂性以及文本分类和机器学习方法在情感分析应用上获得的成功，目前关于这方面的研究以及很少了，但是事实上，语义的相关性和上下文的相关性正是情感分析和文本分类最大的不同之处，所以将基于语义和规则的情感分析与基于机器学习的情感分析相结合也将是未来的研究趋势之一。 以下将分别对情感分析的起源，目前基于监督学习，无监督学习，基于规则和跨领域的情感分析的一些研究工作进行简单的介绍。 起源 虽然之前也有一些相关工作，但目前公认的情感分析比较系统的研究工作开始于（Pang et al., 2002）基于监督学习（supervised learning）方法对电影评论文本进行情感倾向性分类和（Turney,2002）基于无监督学习（unsupervised learning）对文本情感情感倾向性分类的研究。（Pang et al., 2002）基于文本的N元语法（ngram）和词类（POS）等特征分别使用朴素贝叶斯（Naive Bayes），最大熵（Maximum Entropy）和支持向量机（Support Vector Machine，SVM）将文本情感倾向性分为正向和负向两类，将文本的情感进行二元划分的做法也一直沿用至今。同时他们在实验中使用电影评论数据集目前已成为广泛使用的情感分析的测试集。（Turney ,2002）基于点互信息（Pointwise Mutual Information，PMI）计算文本中抽取的关键词和种子词（excellent,poor）的相似度来对文本的情感倾向性进行判别（SO-PMI算法）。 在此之后的大部分都是基于（Pang et al., 2002）的研究。而相对来说，（Turney et al.,2002）提出的无监督学习的方法虽然在实现上更加简单，但是由于单词之间的情感相似度难以准确的计算和种子词的难以确定，继续在无监督学习方向的研究并不是很多的，但是利用SO-PMI算法计算文本情感倾向性的思想却被很多研究者所继承了。 监督学习 目前，基于监督学习的情感分析仍然是主流，除了（Li et al.,2009）基于非负矩阵三分解（Non-negative Matrix Tri-factorization），（Abbasi et al.,2008）基于遗传算法（Genetic Algorithm）的情感分析之外，使用的最多的监督学习算法是朴素贝叶斯，k最近邻（k-Nearest Neighbor，k-NN），最大熵和支持向量机的。而对于算法的改进主要在对文本的预处理阶段。 一个和文本分类不同地方就是情感分析有时需要提取文本的真正表达情感的句子。（Pang et al., 2004）基于文本中的主观句的选择和（Wilson el al.,2009）基于文本中的中性实例（neutral instances）的分析，都是为了能够尽量获得文本中真正表达情感的句子。（Abbasi et al.,2008）提出通过信息增益（Information Gain，IG）的方法来选择大量特征集中对于情感分析有益的特征。 而对于特征选择，除了N元语法和词类特征之外，（Wilson el al.,2009）提出混合单词特征，否定词特征，情感修饰特征，情感转移特征等各类句法特征的情感分析，（Abbasi et al.,2008）提出混合句子的句法（N元语法，词类，标点）和结构特征（单词的长度，词类中单词的个数，文本的结构特征等）的情感分析。 除了对于文本的预处理，对于监督学习中情感分析还进行了以下方面的研究的。（Melville et al., 2009）和（Li et al.,2009）提出结合情感词的先验的基于词典的情感倾向性和训练文本中后验的基于上下文的情感情感倾向性共同判断文本的情感倾向性。（Taboada et al.,2009）提出结合文本的题材（描述，评论，背景，解释等）和文本本身的特征共同判断文本的情感倾向性。（Tsutsumi et al.,2007）提出利用多分类器融合技术来对文本情感分类。（Wan, 2008）和（Wan, 2009）提出结合英文中丰富的情感分析资源来提高中文情感分析的效果。 基于规则/无监督学习
文本情感分析研究现状 机器之心专栏 作者：李明磊 作为NLP领域重要的研究方向之一，情感分析在实际业务场景中 存在巨大的应用价值。在此文中，华为云NLP算法专家李明磊为 我们介绍了情感分析的概念以及华为云在情感分析方面的实践和 进展。 基本概念 为什么：随着移动互联网的普及，网民已经习惯于在网络上表达意见和建议，比 如电商网站上对商品的评价、社交媒体中对品牌、产品、政策的评价等等。这些评价中都蕴含着巨大的商业价值。比如某品牌公司可以分析社交媒体上广大民众对该品牌的评价，如果负面评价忽然增多，就可以快速采取相应的行动。而这种正负面评价的分析就是情感分析的主要应用场景。 是什么：文本情感分析旨在分析出文本中针对某个对象的评价的正负面，比如「华为手机非常好」就是一个正面评价。情感分析主要有五个要素，（entity/实体, aspect/属性，opinio n/观点，holder/观点持有者，time/时间），其中实体和属性合并称为评价对象（target）。情感分析的目标就是从非结构化的文本评论中抽取出这五个要素
、 (entity 体, 输入文木 holder/?点持有者，time/ 时 |i 图i情感分析五要素 举例如下图： 我觉得华为手机非常牛逼。（华为手机* 图2情感分析五要素例子 上例中左侧为非结构化的评论文本，右侧为情感分析模型分析出的五个要素中的四个（不包括时间）。其中实体「华为手机」和属性「拍照」合并起来可以作为评价对象。评价对象又可细分为评价对象词抽取和评价对象类别识别。如实体可 以是实体词和实体类别，实体词可以是「餐馆」、「饭店」、「路边摊」，而实 体类别是「饭店」；属性可以是属性词和属性类别，如属性词可以是「水煮牛肉」、 「三文鱼」等，都对应了属性类别「食物」。实体类别和属性类别相当于是对实体词和属性词的一层抽象和归类，是一对多的关系。词和类别分别对应了不同的
基于深度学习的中文短文本情感分析 随着互联网不断发展,网络评论平台不断增加,用户评论数量也 爆发式增长。利用情感分析技术能够有效的挖掘文本包含的情感信息,目前已成为社会舆情监督和厂家获取反馈信息的重要途径,具有很高的研究价值。本文的研究目的是探究中文短文本中所包含的情感信息,主要解决文本情感极性褒贬义分类问题。传统的情感分析方法主要有两种:基于情感词典的方法和基于机器学习的方法。但由于文本语料简短,含有大量未登录词使得上述方法存在数据稀疏问题,且过分依 赖领域专家的标注。近年来出现的深度学习技术能够很好的解决上述问题。因此,本文采用深度学习的方法对中文短文本进行情感分析。主要研究内容如下:首先,在文本数据预处理过程,针对目前网络上存在的大量未登录词,设计了一种新词发现方法,主要是利用词语的内 部凝固度、边界自由度及语言规则对候选新词进行过滤。将识别的新词加入词库,提高分词的准确率。其次,传统的词向量仅考虑了文本中的语义语法信息,会将语义相近,情感极性却相反的词语映射到相邻 的位置,导致最终分类结果错误。为了解决此问题,本文在传统词向量的基础上融合了情感信息,提出一种情感词向量的生成方法。最后, 针对循环神经网络在处理时序信息发生的梯度消失问题,本文提出基于GRU(Gated Recurrent Unit)的情感分析模型,将循环神经网络的隐层节点替换为GRU单元,用于情感分析。本文利用Python中的Keras 深度学习库构建提出的GRU情感分析模型,通过实验,找到模型最佳 参数,并在最佳参数下进行情感分析,其分类的准确率达到92.01%。
将其与机器学习模型SVM及深度学习模型LSTM,CNN进行对比实验,结果表明,在所有指标下,本文提出的以情感词向量作为输入的情感分析模型明显优于其他模型。
认识机器人 机器人的发展史： 认识机器人首先先了解下robot机器人这一词是怎么来的。1920年捷克作家卡雷尔·卡佩克发表了科幻剧本《罗萨姆的万能机器人》。在剧本中，卡佩克把捷克语“Robota”写成了“Robot”，“Robota”是奴隶的意思。该剧预告了机器人的发展对人类社会的悲剧性影响，引起了大家的广泛关注，被当成了机器人一词的起源。从此，“robot”以及相对应的中文“机器人”一词开始在全世界流行。 上个世纪60年代前后，随着微电子学和计算机技术的迅速发展，自动化技术也取得了飞跃性的变化，开始出现了现在普遍意义上的机器人。1959年，美国英格伯格和德沃尔制造出世界上第一台工业机器人，取名“尤尼梅逊”，意为“万能自动”。尤尼梅逊的样子像一个坦克炮塔，炮塔上伸出一条大机械臂，大机械臂上又接着一条小机械臂，小机械臂再安装着一个操作器。这三部分都可以相对转动、伸缩，很像是人的手臂了。它的发明人专门研究了运动机构与控制信号的关系，编制出程序让机器记住并模仿、重复进行某种动作。英格伯格和德沃尔认为汽车制造过程比较固定，适合用这样的机器人。于是，这台世界上第一个真正意义上的机器人，就应用在了汽车制造生产中。 经过近百年来的发展，机器人已经在很多领域中取得了巨大的应用成绩，其种类也不胜枚举，几乎各个高精尖端的技术领域更是少不了它们的身影。在这期间，机器人的成长经历了三个阶段。第一个阶段中，机器人只能根据事先编好的程序来工作，这时它好像只有干活
儿的手，不懂得如何处理外界的信息。打个比方，如果让这样的机器人去抓会损坏它的东西，它也一定会去做。第二个阶段中，机器人好像有了感觉神经，具有了触觉、视觉、听觉、力觉等功能，这使得它可以根据外界的不同信息做出相应的反馈。如果再让它去抓某些东西，它可能就不干啦。第三个阶段，机器就真正长大成人啦，这时它不仅具有多种技能，能够感知外面的世界，而且它还能够不断自我学习，用自己的思维来决策该做什么和怎样去做。第一阶段的机器人，是小孩子，人们称它为“示教再现型”；第二阶段的机器人是一个青年，人们称它为“感觉型”；第三阶段的机器人则是成年人，称为“智能型”。1968年，美国斯坦福研究所研制出世界上第一台智能型机器人。这个机器人可以在一次性接受由计算机输出的无线遥控指令后，自己找到目标物体并实施对该物体的某些动作。1969年，该研究所对机器人的智能进行测定。他们在房间中央放置了一个高台，在台上放一只箱子，同时在房间一个角落里放了一个斜面体。科学家命令机器人爬上高台并将箱子推到地下去。开始，这个机器人绕着台子转了20分钟，却无法登上去。后来，它发现了角落里的斜面体，于是它走过去，把斜面体推到平台前并沿着这个斜面体爬上了高台将箱子推了下去。这个测试表明，机器人已经具备了一定的发现、综合判断，决策等智能。 到了上个世纪70年代，第二代机器人开始迅速发展并进入实用和普及的阶段，而第三代机器人在今天也已经得到了突飞猛进的变化。它能够独立判断和行动，具有记忆、推理和决策的能力，在自身
情报学报 ＩＳＳＮ１０００－０１３５ 第２９卷第５期９３１－９３８，２０１０年１０月 ＪＯＵＲＮＡＬＯＦＴＨＥＣＨＩＮＡＳＯＣＩＥＴＹＦＯＲＳＣＩＥＮＴＩＦＩＣ ＡＮＤＴＥＣＨＮＩＣＡＬＩＮＦＯＲＭＡＴＩＯＮＩＳＳＮ１０００－０１３５Ｖｏｌ．２９ Ｎｏ．５，９３１－９３８Ｏｃｔｏｂｅｒ ２０１０ 收稿日期：２００９年６月２９日 作者简介：王洪伟，男，１９７３年生，博士，副教授桙博导，研究方向：本体建模和情感计算，Ｅ－ｍａｉｌ：ｈｗｗａｎｇ＠ｔｏｎｇｊｉ．ｅｄｕ．ｃｎ。刘勰，男，１９８５年生，硕士研究生，研究方向：数据挖掘与情感计算。尹裴，女，１９８６年生，硕士研究生，研究方向：商务智能。廖雅国，男，１９５４年生，博士，教授，研究方向：人工智能与电子商务。 １） 本文得到国家自然科学基金项目（７０５０１０２４，７０９７１０９９）；教育部人文社会科学资助项目（０５ＪＣ８７００１３）；上海市重点学科建设项目（Ｂ３１０）；香港研究资助局项目（ｐｏｌｙＵ５２３７桙０８Ｅ）资助。 ｄｏｉ：１０．３７７２桙ｊ．ｉｓｓｎ．１０００－０１３５．２０１０．０５．０２３ Ｗｅｂ文本情感分类研究综述 １） 王洪伟１ 刘 勰１ 尹 裴１ 廖雅国 ２ （１畅同济大学经济与管理学院，上海２０００９２；２畅香港理工大学电子计算学系，香港） 摘要 对用户发表在Ｗｅｂ上的评论进行分析， 能够识别出隐含在其中的情感信息，并发现用户情感的演变规律。为此，本文对Ｗｅｂ文本情感分类的研究进行综述。将情感分类划分为三类任务：主客观分类、极性判别和强度判别，对各自的研究进展进行总结。其中将情感极性判别的方法分为基于情感词汇语义特性的识别和基于统计自然语言处理的识别方法。分析了情感分类中的语料库选择和研究难点。最后总结了情感分类的应用现状，并指出今后的研究方向。 关键词 Ｗｅｂ文本 情感分类 综述 主观性文本 ＬｉｔｅｒａｔｕｒｅＲｅｖｉｅｗｏｆＳｅｎｔｉｍｅｎｔＣｌａｓｓｉｆｉｃａｔｉｏｎｏｎＷｅｂＴｅｘｔ ＷａｎｇＨｏｎｇｗｅｉ１ ，ＬｉｕＸｉｅ１ ，ＹｉｎＰｅｉ１ ａｎｄＬｉｕＮ．Ｋ．Ｊａｍｅｓ ２ （１畅ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔ，ＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０００９２；２畅ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｉｎｇ，ＨｏｎｇＫｏｎｇＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，ＨｏｎｇＫｏｎｇ） Ａｂｓｔｒａｃｔ Ａｎａｌｙｚｉｎｇｔｈｅｕｓｅｒｓ’ｒｅｖｉｅｗｓｏｎｔｈｅＷｅｂｃａｎｈｅｌｐｕｓｔｏｉｄｅｎｔｉｆｙｕｓｅｒｓ’ｉｍｐｌｉｃｉｔｓｅｎｔｉｍｅｎｔｓａｎｄｆｉｎｄｔｈｅｅｖｏｌｕｔｉｏｎ ｌａｗｓｏｆｔｈｅｉｒｅｍｏｔｉｏｎ．Ｔｏｔｈｉｓｅｎｄ，ｔｈｉｓｐａｐｅｒｉｓａｓｕｒｖｅｙａｂｏｕｔｔｈｅｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎｔｈｅＷｅｂｔｅｘｔ．Ｗｅｄｉｖｉｄｅｄｔｈｅｐｒｏｃｅｓｓｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｔｏｔｈｒｅｅｃａｔｅｇｏｒｉｅｓ：ｓｕｂｊｅｃｔｉｖｅａｎｄｏｂｊｅｃｔｉｖｅｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｐｏｌａｒｉｔｙｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｉｎｔｅｎｓｉｔｙ ｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｒｅｓｐｅｃｔｉｖｅｌｙｓｕｍｍａｒｉｚｅｔｈｅｒｅｓｅｎｔｒｅｓｅａｒｃｈａｃｈｉｅｖｅｍｅｎｔｓｉｎｔｈｅｓｅｆｉｅｌｄｓ．Ｗｅａｌｓｏｓｏｒｔｅｄｔｈｅｍｅｔｈｏｄｓｏｆｐｏｌａｒｉｔｙｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｎｔｏｔｗｏｔｙｐｅｓ：ｏｎｅｉｓｂａｓｅｄｏｎｔｈｅｅｍｏｔｉｏｎａｌｗｏｒｄｓｗｉｔｈｓｅｍａｎｔｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｗｈｉｌｅｔｈｅｏｔｈｅｒｓｔａｔｉｓｔｉｃｍｅｔｈｏｄｓｏｆ ｎａｔｕｒａｌｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇ．Ｗｈａｔｉｓｍｏｒｅ，ｔｈｅｃｈｏｉｃｅｏｆｃｏｒｐｕｓａｎｄｐｏｔｅｎｔｉａｌｒｅｓｅａｒｃｈｐｒｏｂｌｅｍｓａｒｅｄｉｓｃｕｓｓｅｄ．Ａｔｌａｓｔ，ｔｈｉｓｐａｐｅｒ ｓｕｍｍａｒｉｚｅｄｔｈｅｓｔａｔｕｓｑｕｏｏｆａｐｐｌｉｃａｔｉｏｎａｎｄｐｏｉｎｔｅｄｏｕｔｔｈｅｄｉｒｅｃｔｉｏｎｏｆｆｕｔｕｒｅｒｅｓｅａｒｃｈ． Ｋｅｙｗｏｒｄｓ Ｗｅｂｔｅｘｔｓ，ｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｓｕｒｖｅｙ，ｓｕｂｊｅｃｔｉｖｅｔｅｘｔ 随着互联网的流行，Ｗｅｂ文本成为我们获取信 息、发表观点和交流情感的重要来源。特别是随着Ｗｅｂ２畅０技术的发展，网络社区、博客和论坛给网络用户提供了更宽广的平台来交流信息和表达意见。这些文章和言论往往包含有丰富的个人情感，比如 对某部大片的影评，对某款手机的用户体验等，其中 蕴含着巨大的商业价值。如何从这些Ｗｅｂ文本中进行情感挖掘，获取情感倾向已经成为当今商务智能领域关注的热点。所谓情感分析（ｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ），就是确定说话人或作者对某个特定主题的 — １３９—
情感、理性、认知在情感与认知之间架起一杆理性的天平！——题记 作为万物之灵的人类，在漫长的历史长河中，以丰富的主观情感以及对客观世界的认知构筑起纷繁复杂的社会体系。情感为人与人之间心灵的交融架设自由的桥梁，它以亲情、友情、爱情……维系着整个社会;认知则为人与客观的事或物之间的理解与探知铺就了通途!情感与认知之间，本就是相对独立的，对等的。然而实际上，冲动的感情和不明智的主观认识往往驾驭着人类的言行，替代了客观的认知，使得理性的天平倾斜了! 寓言中的富人在面对失窃的事实时，对同样作出劝诫的儿子与邻家的老人，抱持着完全不同的两种态度。原因何在感情上亲疏之别左右了他对客观事实的评价! 诚然，正是由于有了人类之间曼妙的情感，全社会乃至全世界才不至于陷入一种盲目的、机械性的单调之中就如同电影《摩登时代》和《城市之光》中描绘的那样，人的言行似乎在工业革命的浪潮中变得毫无生气，如同机器人一般。缺乏感情的社会是僵硬的，是脆弱的。然而这并不意味着仅仅凭借情感就可以主导全世界，就可以来评判事物认知的正误深浅这还需要客观的评价标准，诸如法律、法规等等而这些则又需要认知与进一步的探索。否则，理性的天平就难以使得整个世界在一种相对稳定的状态之下继续发展。 历的教训，足以使我们对此有更为清醒的认识!太平天国的洪秀全，领导 农民起义，开创了反帝反封建的创举，却由于统治者洪秀全的独断专行，任人唯亲，大肆提拔同宗族的亲信，封王封侯，排挤同属统治阶层中非其宗族的开国元勋、元老，诸如石达开、杨秀清、韦昌辉……导致苦心经营的大好山河断
送人手，石达开愤然率天国精锐出走天京，韦昌辉滥杀无辜酿成震惊中外的“天京事变”…是当时农民阶级中深厚的封建宗族思想，占据了洪秀全的心智，以所谓的"亲情"葬送了太平天国以及千百年来农民斗争的血泪结晶! 历史的硝烟，并不曾掩去人们心申的理性。建国后，毛泽东同志毅然拒绝调用湘潭老家的亲友赴京任职的请求，甚至将自己的亲生儿子送上抗美援朝的前线，提拔任用党内外有识之士，为共和国奠定了良好的基石。毛泽东同志不愧为任人唯贤的典范! 用理性的思维来衡量感情与认知，在主观与客观之间寻求一个和谐的统一，不失为正确处理人际关系、人事关系的手段! 俗语说得好：帮理不帮亲!先人为我们积淀了深厚的历史，今人又将以理 性的天平衡量情感与认知，打造更为美好的明天。
2012年CCF自然语言处理与中文计算会议 中文微博情感分析评测结果 1.提交结果编号 本次评测共有34支队伍提交53组有效结果，提交结果编号及所属参评单位对应情况如表1所示。 表1 提交结果编号与参评单位对照表 提交结果编号参评单位 1 北京工商大学 2 北京工商大学 3 北京航空航天大学计算机学院 4 北京航空航天大学计算机学院 5 北京理工大学海量语言信息处理与云计算应用工程技术研究中心1 6 北京理工大学网络搜索挖掘与安全实验室 7 北京理工大学海量语言信息处理与云计算应用工程技术研究中心2 8 北京理工大学海量语言信息处理与云计算应用工程技术研究中心2 9 大连理工大学 10 大连理工大学 11 广东工业大学DMIR实验室 12 哈尔滨工业大学语言技术研究中心网络智能研究室 13 哈尔滨工业大学语言技术研究中心网络智能研究室 14 哈尔滨工业大学计算机科学与技术学院/机器智能与翻译研究室 15 哈尔滨工业大学计算机科学与技术学院/机器智能与翻译研究室 16 哈尔滨工业大学（威海） 17 海军工程大学信息安全系 18 黑龙江大学计算机科学技术学院 19 湖南工业大学计算机与通信学院 20 湖南工业大学计算机与通信学院 21 湖南科技大学外国语学院 22 华侨大学计算机科学与技术学院 23 华侨大学计算机科学与技术学院 24 华中科技大学 25 南京大学计算机科学与技术系自然语言处理研究组 26 南京理工大学 27 南京理工大学 28 清华大学计算机系智能技术与系统国家重点实验室信息检索组 29 清华大学计算机系智能技术与系统国家重点实验室信息检索组 1参评队伍联系人为刘全超 2参评队伍联系人为王金刚
Web文本情感分类研究综述 王洪伟/刘勰/尹裴/廖雅国 2012-9-27 14:55:59 来源：《情报学报》（京）2010年5期【英文标题】Review of Sen time nt Classificati on on Web Text 【作者简介】王洪伟，男，1973年生，博士，副教授/博士生导师，研究方向：本体建模和情感计算，E-mail:hwwa ng@t on https://www.doczj.com/doc/046626617.html,.c n 。同济大学经济与管理学院，上海200092; 刘勰，男，1985年生，硕士研究生，研究方向：数据挖掘与情感计算。同济大学经济与管理学院，上海200092; 尹裴，女，1986年生，硕士研究生，研究方向：商务智能。同济大学经济与管理学院，上海200092; 廖雅国，男，1954年生，博士，教授，研究方向：人工智能与电子商务。香港理工大学电子计算学系，香港 【内容提要】对用户发表在Web上的评论进行分析，能够识别出隐含在其中的情感信息，并发现用户情感的演变规律。为此，本文对Web文本情感分类的研究进行综述。将情感分类划分为三类任务：主客观分类、极性判别和强度判别，对各自的研究进展进行总结。其中将情感极性判别的方法分为基于情感词汇语义特性的识别和基于统计自然语言处理的识别方法。分析了情感分类中的语料库选择和研究难点。最后总结了情感分类的应用现状，并指出今后的研究方向。 Analyzing the users' reviews on the Webcan help us to identify users' implicit
sen time nts and find the evoluti on laws of their emoti on. To this end, this paper is a survey about the sen time nt classificati on on the Web text. We divided the process of classificati on into three categories:subjective and objective classification,polarity iden tificati on and in ten sity ide ntificati on and respectively summarize the rese nt research achieveme nts in these fields. We also sorted the methods of polarity identification into two types: one is based on the emotional words with semantic characteristics, while the other statistic methods of natural Ianguage processing. What is more, the choice of corpus and pote ntial research problems are discussed. At last, this paper summarized the status quo of applicatio n and poin ted out the direct ion of future research. 【关键词】Web文本/情感分类/综述/主观性文本Web texts/Sentiment classificati on/Survey/Subjective text 随着互联网的流行，Web文本成为我们获取信息、发表观点和交流情感的重要来源。特别是随着Web2.0技术的发展，网络社区、博客和论坛给网络用户提供了更宽广的平台来交流信息和表达意见。这些文章和言论往往包含有丰富的个人情感，比如对某部大片的影评，对某款手机的用户体验等，其中蕴含着巨大的商业价值。如何从这些Web文本中进行情感挖掘，获取情感倾向已经成为当今商务智能领域关注的热点。所谓情感分析（sentiment analysis），就是确定说话人或作者对某个特定主题的态度。其中，态度可以是他们的判断或者评估，他们（演说、写作时）的情绪状态，或者有意（向受众）传递的情感信息。因此，情感分析的一个重要问题就是情感倾向性的判断，即判断作者的观点是褒义的、积极的，还是贬义的、消极的。这类问题也被称为情感分类(sentiment classification) 。
开题报告（文献综述）-在线评论分析系统的情感分析本科毕业设计(论文)开题报告 论文题目在线评论分析系统的情感分析开题报告内容: 一、选题的背景及意义 近年来，在“大数据”(Big Data)时代的背景下，随着电子商务行业的蓬勃发展，网络购物平台、手机APP应用市场平台等不仅为用户提供了大量商品信息，同时还允许用户参与商品评论。它不仅为商家提供了一个信息的展示平台以发布新产品的规格数据，也为消费者提供了一个产品使用体验交流以及质量评价的平台。因此很多网络用户在购买或使用某类产品前，往往会选择先上网浏览一些该产品的相关信息，尤其是其他用户的使用体验，多方比较产品的性能，从而使自己的消费和选择更趋理性化。分析这些评论信息，蕴含着巨大的商业价值和社会价值，具有很大的现实意义。 然而，这些主观性评论文本每天以指数级的速度增长,仅靠人工方式难以进行 收集、处理和分析。因此采用计算机技术来自动地分析这些主观性文本表达的情感,成为目前数据挖掘(Data Mining)研究的一个热点,而这个热点的研究方向就是文本情感分析(Sentiment Analysis)。 文本情感分析，也称为意见挖掘(Opinion Mining)，是指通过分析和挖掘文本中的表达情感、观点和立场的主观性信息并判断其情感倾向。它涉及自然语言处理(Natural Language Processing)、计算机语言学(Computational Linguistics)、机器学习(Machine Learning)、信息检索(Information Retrieval)等众多领域，在计算机科学、管理学、政治学、经济学和社会学方向都有广泛的应用。进入21 世纪以后，情感分析这个领域变得活跃起来，吸引越来越多的学者投入其中。目前
中文文本情感倾向性分析1 黄萱菁 赵 军 复旦大学 关键词：情感倾向 语料库 引言 大约在两年半前，《新华网》、《环球时报》等大众媒体纷纷转载了英国《新科学家》杂志的一则报道，英国Corpora软件公司开发了一套名为“感情色彩（Sentiment）”的软件2，它能判断报纸刊登的文章对一个政党的政策是持肯定态度还是否定态度，或者网上的评论文章是称赞还是贬低一种产品，并以此帮助政府和一些大公司全面了解公众对他们的看法。这则报道之所以引起了舆论的广泛关注，是因为它介绍了一个非常新颖而又很有价值的研究方向—文本情感倾向性分析。 所谓文本情感倾向性分析，就是对说话人的态度（或称观点、情感）进行分析，即对文本中的主观性信息进行分析。由于立场、出发点、个人状况和偏好的不同，民众对生活中各种对象和事件所表达出的信念、态度、意见和情绪的倾向性必然存在很大的差异。在论坛、博客（blog）等反应草根观点的网络媒体上，这种差异表现得尤为明显。 长期以来，要了解关于某个问题的报道是正面的还是反面的，是消极的还是中立的，往往需要求助于调查公司。这些公司的员工仔细阅读有关某个机构、个人、事件或问题的所 1 本项研究受国家自然科学基金课题资助（60673038，60673042）。 2 https://www.doczj.com/doc/046626617.html,/products/sentiment.aspx 图1 英国Corpora软件公司的“感情色彩（Sentiment）”的软件
专题报道 有文字，然后就这些评论的态度做出反馈。这不仅耗费了大量人力和财力，而且过程相当缓慢。由此可见，文本情感倾向性的自动分析具有很好的商业应用前景。 文本情感倾向性分析属于计算语言学的范畴。以前，在计算语言学以及相关领域，研究人员普遍关注的是客观性信息的分析和提取，对主观性信息分析与提取的研究尚处于起步阶段，其中存在的很多问题都需要进行全面探索。这项研究涉及到计算语言学、人工智能、机器学习、信息检索和数据挖掘等多方面研究内容，因此文本情感倾向性分析也具有重要的学术研究价值。 总体来看，文本情感倾向性分析的研究大致可以分成词语情感倾向性分析、句子情感倾向性分析、篇章情感倾向性研究以及海量信息的整体倾向性预测等四个研究层次。接下来将首先介绍在各个层次所取得的研究进展，其次介绍情感倾向性分析标准语料库的建设和系统评测，最后是本文的结论。 词语情感倾向性分析 对词语的情感倾向进行研究是文本情感倾向分析的前提。具有情感倾向的词语以名词、动词、形容词和副词为主，包括人名、机构名、产品名、事件名等命名实体。其中，除部分词语的褒贬性（或称为极性，通常分为褒义、贬义和中性三种）可以通过查词典3的方式得到之外，其余词语的极性都无法直接获得。此外，词语的情感倾向还包括倾向性的强烈程度。例如，“谴责”的强度就远远超过了“批评”和“指责”，而这种强度很难由词典编撰者用人工的方式进行量化。另外，词语的极性往往取决于特定的上下文环境，例如，“骄傲”在表示“自豪”概念时，是褒义词；而在表示“自满”概念时，则是贬义词。 词语情感倾向分析包括对词语极性、强度和上下文模式的分析。其分析结果甚至可以写入到语义词典中，如北京大学计算语言学研究所以基于人民日报基本标注语料库的真实文本为实例，进行统计归纳得到词语的情感倾向，而后在现代汉语语法信息词典中实现形式化[1]。词语情感倾向分析目前主要有以下三种方法：1．由已有的电子词典或词语知识库扩展生成情感倾向词典。英文词语情感倾向信息的获取主要是在WordNet4和General Inquirer5的基础上进行的文献[3-4] ；而中文词语情感倾向信息的获取依据主要有HowNet[5]。这种方法的主要思想是，给定一组已知极性的词语集合作为种子，对于一个情感倾向未知的新词，在电子词典中找到与该词语义相近并且在种子集合中出现的若干个词，根据这几个种子词的极性，对未知词的情感倾向进行推断。这种方法对种子词数量的依赖比较明显。 2．无监督机器学习的方法。这种方法与第1种方法类似，也是假设已经有一些已知极性的词语作为种子词，对于一个新词，根据它和种子词的紧密程度对其情感倾向性进行推断。不同的是，第1种方法的词语紧密程度的度量是以词典信息为依据判断，而这种方法是根据词语在语料库中的同现情况判断其联系紧密程度。根据文献[6-7]的经典方法，假设以“真”、“善”、“美”作为褒义种子词，“假”、“恶”、“丑”作为贬义种子词，则任意其它词语的语义倾向定义为，将与各褒义种子词的点态互信息量（Point of Contact Information，PMI）之和，减去与各贬义种子词的点态互信息量之和后所得的结果。语义倾向的正负号就可以表示词语的极性，而绝对值 3 例如，General Inquirer [Stone,1966]，知网：heep://https://www.doczj.com/doc/046626617.html, 4 WordNet 5 通用查询者，最早为KWIC编写的程序之一，该程序根据基于理论编写的词典给单词分类。