情感分析中的文档、短语和句子级分类方法解析

# 情感分析中的文档、短语和句子级分类方法解析 ## 1. 观点挖掘概述 观点挖掘存在一些变体，无法通过上述的槽填充任务完全涵盖。例如，句子级的槽填充需要在句子层面创建槽，并且可以通过额外的槽来表示句子是主观还是客观的信息。观点挖掘可被视为槽填充任务的简化，就像实体提取和关系挖掘也被视为槽填充任务的简化一样。不过，这只是对观点挖掘的一个非常笼统的看法。许多文档级的观点挖掘方法假定文档围绕单个实体展开，其他槽要么是隐含已知的，要么被认为不重要。在这种情况下，分类问题和情感分析任务之间的差异很小。 ## 2. 文档级情感分类 ### 2.1 基本概念 文档级情感分类是观点挖掘中最简单的场景，它在文档层面进行情感分类（如积极、消极或中性极性），并且分类是关于实体的“一般”方面。某些类型的文档，如亚马逊评论，通常围绕单个实体或产品，因此文档级方法在这些场景中尤为适用。以产品为中心的场景有一个有用的特点，即评论文本通常会附带评分，这些评分可用于监督学习。例如，亚马逊产品评论有一个五分制的评分，可转换为积极、消极或中性评分。 ### 2.2 分类方法 这个问题可被视为一个现成的分类问题，可以使用现有的监督学习方法对文本的词袋表示进行处理。然而，纯词袋方法在文本分类中效果不佳，因为语言的微妙之处和观点词很重要。为了利用更丰富的自然语言信息，还可以使用基于序列的特征工程技巧（如doc2vec方法）。 ### 2.3 特征使用 如果使用词袋表示，tf - idf表示通常是不够的，需要额外的特征。以下是文档级分类常用的特征： 1. **观点词典**：属于观点词典的词比不属于的词更重要。当一个词属于观点词典时，其方向信息（如积极/消极）也会作为特征纳入。 2. **含形容词或副词的专业短语提取**：这种类型的短语提取对观点分类特别有帮助，含形容词和副词的短语在观点分类中具有显著的区分能力。 3. **词的存在与频率**：在情感分析中，词的存在与否往往比其频率更重要，重复使用一个词有时可能不会增加其重要性，甚至可能降低。 4. **词的位置**：文档中词的位置对情感极性有重要影响。例如，评论的最后一句通常对总结评论者的感受有特殊意义，观点词在开头和中间的出现也有特定意义。 5. **否定**：否定在情感分析中起着非常重要的作用，与传统信息检索不同。例如，在主题分类中，“not”这个词对判断文档是否属于特定类别作用不大，但在表明是否喜欢政治时，否定词往往是一个强烈的指标。 6. **价变词**：价变词是任何能改变基础词价值的词，包括否定词、强化词、弱化词和非现实标记词。 7. **上下文和主题特征**：文档的上下文和主题对其解释可能起着重要作用。例如，同一句话在不同的背景下可能表达不同的情感。 8. **句法特征**：使用句法特征（如解析树）有助于确定观点词特定提及的方向，这是确定句子或文档极性的第一步。 在许多监督场景中，如产品评论，有标签（以评分形式）可用于学习，因此可以使用序数回归等技术。 ### 2.4 无监督分类方法 当文档是产品评论时，标签数据通常很容易获得，但当文档是社交网络帖子、博客或讨论板上的内容时，标签数据的匮乏就成了一个主要问题。在这种情况下，可以采用主动学习技术，为用户提供适合标记文档的候选样本，以便用少量训练数据学习出健壮的模型。另一种方法是使用无监督学习，早期的观点挖掘就使用了无监督学习方法。 下面是无监督学习中短语挖掘的规则： | 第一个词 | 第二个词 | 第三个词 | | --- | --- | --- | | JJ | NN 或 NNS | 任意 | | RB, RBR, 或 RBS | JJ | 非 NN 或 NNS | | JJ | JJ | 非 NN 或 NNS | | NN 或 NNS | JJ | 非 NN 或 NNS | | RB, RBR, 或 RBS | VB, VBD, VBN,