7.3.4 情感分析

我们构建情感词典、属性-观点对这些情感资源，是为了对一篇文本进行情感分析，即识别该文本表达了褒义、贬义等哪种情绪，其情感的强烈程度是多少。最基本、也是最常见的是情感分类任务：识别一段文本的情感是褒义、贬义还是中性。作为一项文本分类任务，通常有无监督学习（Unsupervised Learning）和有监督学习（Supervised Learning）两种方式。下面我们就依次介绍无监督学习、有监督学习的情感分析方法。

1.无监督学习

句子的情感信息完全来源于其中的情感词（或涉及的观点词等）及其在句中的地位。以无监督学习方式对文本进行情感分类，由于无需训练语料，我们需要人工找出情感词与句子情感之间的联系。

最直接的想法是在一句话中对出现的情感词、属性-观点对进行匹配，并将匹配到的各个情感倾向得分相累加，得到整句话、整段的总体情感倾向。例如：

这个手机很漂亮，价格也便宜，就是电池发热太严重了。

这句话中涉及的情感词语有“漂亮”、“价格-便宜”、“发热-严重”，假定它们的情感分数分别是0.8、0.3、-0.7（正分表示褒义、负分表示贬义）。因此整句话的情感得分为：0.8+0.3-0.7=0.4，句子总体表达了褒义的情感。只要我们能保证情感词典等资源的情感信息质量较高（比较准确），这种方式简单快捷，特别是对于一些短文本、句式简单的文本，不失为一种解决方案（Cui，et al.2011）。

但这样得到的结果一定正确吗？如下面的三个例句：

（1）这种情感分析方法很成功。

（2）这种情感分析方法不很成功。

（3）这种情感分析方法很不成功。

三个例句中都有褒义的“成功”一词，但因为否定副词“不”的出现，使后两句表达的情感倾向出现反转，表达贬义倾向。进一步地，其中程度副词“很”的位置差异，还会影响情感的程度：例句（2）中的“不很”表达较弱的否定，而例句（3）中的“很不”则是强烈的否定。因此，我们需要对句子中的否定副词、程度副词等成分加以提取和分析。如例句所示，通常的做法是寻找邻近的否定副词、程度副词、情感词，并根据它们之间的排列顺序，用程度副词作为情感词的加权系数、用否定副词作为反转系数。假定“成功”一词的情感得分为0.8（正分表示褒义），“很”字的加权系数为1.2，那么

（1）程度副词+情感词：情感得分为1.2×0.8=0.96。

（2）否定副词+程度副词+情感词：情感得分为（-1）×（1/1.2）×0.8=-0.67。

（3）程度副词+否定副词+情感词：情感得分为（-1）×1.2×0.8=-0.96。

注意“不很”的否定效果比单独用“不”字要弱，因此对程度副词的加权效果取倒数处理。

与之类似，多个句子之间可能也有起衔接作用的词语，这将影响几个句子组成的篇章的情感倾向。例如：

（4）这个电影的演员是一流的，画面也不错，就是剧情太烂了！

如果统计褒贬情感词语的个数，褒义词（“一流”、“不错”）有2个，贬义词（“烂”）只有1个。然而整句话读下来，相信读者会感受到，作者是把重点放在最后一句，批评剧情。因此，如果我们仅仅采用一些简单的词汇搭配规则，容易出现错误。特别是对较长的句子或篇章，准确率将会降低。

如果能够用数学模型自动从大规模的训练语料中表达（学习）出词汇、语句、篇章的一些内在规律，相信会比我们人工逐条总结得到的规律会有效得多。因此，我们可以采用有监督的机器学习模型来完成情感分析任务。

2.有监督学习

（1）训练数据

进行有监督学习的一项必不可少的环节就是训练数据，即已经标注出答案的语料。这样，通过训练，模型可以建立起特征与结果类别之间的分布关系，从而对未知答案的数据也能给出其类别的估计。在情感分析任务中，互联网大数据是一个很好的训练数据来源。本章开始提到的产品评论网站、餐馆评价网站、书评影评网站，都汇聚了大量的情感分析语料。最重要的是，这些网站为了让数据处理更加方便，在用户提交文字评论的同时，通常还有一个打分项，即用1～5或给出星级的方式让用户给出一个总体评价。从机器学习的角度来看，这个项目即可作为对应文字评论的情感标注。这样，我们就可以获得充足的训练语料。

如果不是这种评论类文本、网站，例如对于微博文本，我们如何获得训练数据呢？人工标注固然是一种解决方案，但费时费力。而且情感本身比较主观，因此对标注员的数量、质量都有一定要求。针对这一现象，有研究者注意到一些互联网文本（特别是微博）中有表情符号，揭示了作者的心情。而且这些符号是作者写的，可靠程度高。因此，可以挑选出一些简单的、包含表情符号的文本（复杂句子可能影响因素过多），用这些表情符号作为标注。当然，采用这样的标注原则形成训练数据，未免噪声较多。在这种“远监督”（distant supervision）的框架下，有噪声标注数据在用于训练时需要经过多重处理，逐步去粗取精，最终得到优质分类器（Go，et al.2009，Pak&Paroubek 2010）。

（2）特征空间

获得足够的训练数据后，我们还需要从文本中提取出特征，将每个文本映射到一个向量。在这样的空间下，机器学习模型才能发挥作用。在此，我们综合多位研究者的工作，列举常见的与情感相关的文本特征，供读者参考。

· 基于n-gram的词袋（bag-of-words）模型，通常选取n=1～3，即unigram、bigram和trigram。

· 基于分词的词袋模型，亦可以参照n-gram的做法，以词为基本单位（unigram），并形成bigram、trigram等。

· 出现的情感词，在给定情感词典的情况下，情感词更有可能揭示整段文本的情感倾向，因此将命中的情感词作为向量的维度，有助于模型学习。这里情感词可能包括正规词语、表情符号等。

· 词性特征，可以反映文本中各个词性的分布。

· 副词类特征，包括否定词、最高级及比较级类词汇等。

· 词汇的扩展。可以对出现的词语按词义进行扩展，如同义词、反义词等，从而增加命中特定词汇的机会。

· 句法特征。如词语在句法分析树中的父亲结点词，在句中的地位（主语、宾语等），以及是否是连接词等。

· 其他符号：

○ 标点符号：问号、感叹号的出现往往表示有较强的情感，而分号、顿号通常用于大段排比中，有可能是客观句；

○ 百分号、数字编号：较多的百分号、数字编号可能是在罗列一串条目，较为书面和中立；

○ URL（网址）：对于短句，如果有URL，通常是陈述或广告，因此其更有可能是客观句。

在计算权重时，除了采用词的次数之外，还可以采用比例、对数、tf-idf等加权方式进行调整。

虽然上述特征列出的较多，但在实际工作中可以采用一些特征选择的方法予以筛选，或采用压缩（compression）、提取特征值（eigenvalue）、矩阵奇异值分解（Singular Value Decomposition，SVD）等方法，减小向量空间的维度，从而在一定程度上缓解输入过于稀疏的问题。

（3）学习模型

在情感分析中，常见的分类器及其应用方法包括如下几种：

· 朴素贝叶斯（Naive Bayes）：分类的类别集合为C={褒义，贬义，中性}，假设各个特征之间相互独立，则给定文本S，它属于类别ci 的概率p（ci |S） ∝ ∏ p（wj |ci ），其中p（wj |ci ）为训练样例中类别为ci 的数据中特征wj 出现的概率。最终S的所属分类取p（ci |S）较大的那个所对应的ci 。

· k近邻（k-Nearest Neighbors，kNN）：给定文本S，首先选出S与训练样例中最近的k个数据点，对这k个点的倾向性，按其与S的距离倒数加权，并求和作为p（ci |S）。

· 支持向量机（Support Vector Machine，SVM）：在核函数的作用下，该模型将向量投射到超空间中的支持向量，并寻找最优的一个划分的超平面，使支持向量到这个超平面的距离最大。

· 最大熵模型（Max Entropy）：在满足约束条件的前提下，使熵值-∑p（ci |S） · log p（ci |S）达到最大。因此p（ci |S）=Z（S）-1 exp（∑λj ·wj ）。

此外，如果将情感词的识别作为一个结构化标注问题来看待，还可以采用隐马尔科夫模型（Hidden Markov Model，HMM）（Jin&Ho 2009）、条件随机场模型（Conditional Random Field，CRF）（李方涛2011）等，详见相关文献。