NLP学习路径（八）：情感分析技术_对情感分析的研究目前主要集中在

1、情感分析的基本方法

       对情感分析的研究到目前为止主要集中在两个方面：识别给定的文本实体是主观的还是客观的，以及识别主观的文本的极性。大多数情感分析研究都是使用机器学习的方法。

       在情感分析领域，文本可以划分为积极和消极两类，或者积极、消极和中性的多类。分析方法主要分为：

      ①词法分析

      ②基于机器学习的分析

      ③混合分析

（1）词法分析

       词法分析运用了由预标记词汇组成的字典，使用词法分析器将输入文本转换为单词序列。将每一个新的单词与字典中的词汇进行匹配。如果有一个积极的匹配，那么文本的总分会递增。相反，如果有一个消极的匹配，输入文本的总分会减少。

       文本的分类取决于文本的总得分。目前有大量的工作致力于度量词法信息的有效性。对单个短语，通过手动标记词汇(仅包含形容词)的方式，大概能达到85%的准确率，这是由评价文本的主观性所决定的。词法分析也存在一个不足：其性能（时间复杂度和准确率）会随着字典大小（词汇的数量）的增加而迅速下降。

（2）机器学习的方法

       在情感分析中，主要使用的是有监督学习方法。它可以分为三个阶段：数据收集、预处理、训练分类。在训练过程中，需要提供一个标记语料库作为训练数据。分类器使用一系列特征向量对目标数据进行分类。在机器学习技术中，决定分类器准确率的关键是合适的特征选择。通常来说，unigram(单个短语)、bigrams(连个连续的短语)、trigrams(三个连续的短语)都可以被选为特征向量。还有一些其他的特征：积极词汇的数量、消极词汇的数量、文档的长度、支持向量机、朴素贝叶斯算法和