與其他的人工智能技術(shù)相比，情感分析（Sentiment Analysis）顯得有些特殊，因?yàn)槠渌念I(lǐng)域都是根據(jù)客觀的數(shù)據(jù)來進(jìn)行分析和預(yù)測，但情感分析則帶有強(qiáng)烈的個(gè)人主觀因素。情感分析的目標(biāo)是從文本中分析出人們對(duì)于實(shí)體及其屬性所表達(dá)的情感傾向以及觀點(diǎn)，這項(xiàng)技術(shù)最早的研究始于2003年Nasukawa和Yi兩位學(xué)者的關(guān)于商品評(píng)論的論文。

隨著推特等社交媒體以及電商平臺(tái)的發(fā)展而產(chǎn)生大量帶有觀點(diǎn)的內(nèi)容，給情感分析提供了所需的數(shù)據(jù)基礎(chǔ)。時(shí)至今日，情感識(shí)別已經(jīng)在多個(gè)領(lǐng)域被廣泛的應(yīng)用。

評(píng)價(jià)者表達(dá)的是對(duì)手機(jī)整體的褒義評(píng)價(jià)，但如果是：“我覺得這款手機(jī)拍照功能很不錯(cuò)，但信號(hào)不是很好”這樣的句子，在同一個(gè)評(píng)論中出現(xiàn)了褒義詞又出現(xiàn)了貶義詞，篇章級(jí)的分析是無法分辨出來的，只能將其作為一個(gè)整體進(jìn)行分析。不過好在有很多的場景是不需要區(qū)分觀點(diǎn)評(píng)價(jià)的實(shí)體和觀點(diǎn)持有者，例如：在商品評(píng)論的情感分析中，可以默認(rèn)評(píng)論的對(duì)象是被評(píng)論的商品，評(píng)論的觀點(diǎn)持有者也是評(píng)論者本人。

第一步是判斷待分析的句子是否含有觀點(diǎn)信息；第二步則是針對(duì)這些含有觀點(diǎn)信息的句子進(jìn)行情感分析，發(fā)現(xiàn)其中情感的傾向性，判斷是褒義還是貶義。關(guān)于分析情感傾向性的方法與篇章級(jí)類似，依然是可以采用監(jiān)督學(xué)習(xí)或根據(jù)情感詞詞典的方法來處理，我們會(huì)在后續(xù)的小節(jié)詳細(xì)講解。句子級(jí)的情感分析相較于篇章級(jí)而言，顆粒度更加細(xì)分，但同樣只能判斷整體的情感，忽略了對(duì)于被評(píng)價(jià)實(shí)體的屬性，同時(shí)它也無法判斷比較型的情感觀點(diǎn)。

另一種需要注意的情況是否定詞，否定詞的出現(xiàn)一般會(huì)改變情感詞原本的情感傾向，變?yōu)橄喾吹那楦?，例如“不好”就是在“好”前面加上了否定詞“不”，使之變成了貶義詞。除了條件句之外，還有一種語言表達(dá)也是需要在數(shù)據(jù)預(yù)處理階段進(jìn)行排除的，那就是疑問句。

具體的做法與機(jī)器學(xué)習(xí)一樣需要分為兩個(gè)步驟：第一步是根據(jù)訓(xùn)練數(shù)據(jù)構(gòu)建算法模型；第二步是將測試數(shù)據(jù)輸入到算法模型中輸出對(duì)應(yīng)的結(jié)果，接下來做具體的講解。首先，我們需要準(zhǔn)備一些訓(xùn)練用的文本數(shù)據(jù)，并人工給這些數(shù)據(jù)做好情感分類的標(biāo)注。通常的做法下：如果是褒義和貶義的兩分類，則褒義標(biāo)注為1，貶義標(biāo)注為0，如果是褒義、貶義和中性三分類，則褒義標(biāo)注為1，中性標(biāo)注為0，貶義標(biāo)注為-1。

當(dāng)訓(xùn)練好分類模型之后，就可以對(duì)測試集進(jìn)行分類了，具體的流程與建模流程類似，先對(duì)測試的文本數(shù)據(jù)進(jìn)行分詞并做數(shù)據(jù)預(yù)處理，然后根據(jù)特征詞矩陣抽取測試文本的特征詞構(gòu)建詞袋矩陣，并將詞袋矩陣的詞頻數(shù)據(jù)作為輸入數(shù)據(jù)代入之前訓(xùn)練好的模型進(jìn)行分類，得到分類的結(jié)果。

互聯(lián)網(wǎng)上的交流不僅僅只是通過單純的文字來進(jìn)行，大量的情感表達(dá)是通過顏文字或表情包來實(shí)現(xiàn)的，例如經(jīng)典的表示笑臉的顏文字“:D”，這類文本表達(dá)無法與上下文形成聯(lián)系，所以很難判斷他們評(píng)價(jià)的實(shí)體對(duì)象是什么。

不過好在這類數(shù)據(jù)本身就代表了非常強(qiáng)烈的情感傾向，在篇章級(jí)和句子級(jí)的顆粒度對(duì)情感進(jìn)行分析，我們可以將特定的顏文字作為一種特殊的詞組構(gòu)建成情感字典，并人工進(jìn)行情感分的賦值，對(duì)于emoji表情也可以將標(biāo)準(zhǔn)的emoji編碼編入情感字典。而對(duì)于表情包的識(shí)別則是一個(gè)計(jì)算機(jī)視覺的問題，目前還沒有學(xué)者在這個(gè)領(lǐng)域方向展開研究。

這類比較語句中通常存在著兩個(gè)以上的實(shí)體或?qū)傩?，如果只是在句子?jí)的顆粒度下可以辨別出這句話是含有褒義的情感，但在屬性級(jí)的顆粒度下，以情感五元組來定義的情感無法將一個(gè)實(shí)體作為另一個(gè)實(shí)體的屬性來進(jìn)行判斷，很難分辨觀點(diǎn)持有者到底是在對(duì)哪一個(gè)實(shí)體或?qū)傩员磉_(dá)情感。而這類語句在商品的評(píng)論中有非常常見，需要特別注意。

目前對(duì)于情感的分析依然處于初級(jí)階段，僅僅只是對(duì)情感做了褒義、貶義、中性三種劃分，但現(xiàn)實(shí)生活中的情緒遠(yuǎn)遠(yuǎn)不止這三種類型，例如：在心理學(xué)領(lǐng)域中，著名的心理學(xué)家羅伯特·普拉切克（Robert Plutchik）提出的情緒輪包含了8種基本情緒，并且每種情緒又劃分了不同的情緒強(qiáng)度等級(jí)，8種情緒還可以相互結(jié)合形成更多的情緒，如圖所示。

情緒輪在用戶體驗(yàn)設(shè)計(jì)上被廣泛的應(yīng)用，很多情感化設(shè)計(jì)都是基于情緒輪進(jìn)行的。但是在人工智能領(lǐng)域，將情緒進(jìn)行多分類比情感分析的三分類任務(wù)要難得多，目前大多數(shù)分類方法的結(jié)果準(zhǔn)確性都不到50%。這是因?yàn)榍榫w本身包含了太多的類別，而且不同的類別之間又可能具有相似性，一個(gè)情緒詞在不同的語境下有可能表達(dá)的是不同的情緒類別，算法很難對(duì)其進(jìn)行分類。即使是人工對(duì)文本進(jìn)行情緒類別標(biāo)注也往往效果不佳，因?yàn)榍榫w是非常主觀性的，不同的人對(duì)不同的文本可能產(chǎn)生不同的理解，這使得人工標(biāo)注情緒類比的過程異常困難。