【NLP_Stanford课堂】情感分析

一、简介

实例：

• 电影评论、产品评论是positive还是negative
• 公众、消费者的信心是否在增加
• 公众对于候选人、社会事件等的倾向
• 预测股票市场的涨跌

Affective States又分为：

• emotion：短暂的情感，比如生气、伤心、joyful开心、害怕、羞愧、骄傲等
• mood：漫无原因的低强度长时间持续的主观感觉变化，比如cheerful，gloomy阴郁、irritable急躁、
• interpersonal stance：人际关系中对另一个人的立场，比如友好的、友善的
• attitude：态度，比如喜欢、讨厌
• personality trait：个性品质，比如鲁莽、焦虑

在情感分析中，我们针对的是attitude，分析的是：

• attitude的持有者（来源）
• attitude的目标（方面）
• attitude的类型：
  • 来自一组类型：喜欢、爱、恨hate、重视value、渴望desire等
  • 简单的带权重的极性：积极、消极和中性，均带有强度
• attitude的文本：句子或者整个文档

情感分析的任务：

• 简单任务：文本的attitude是积极还是消极
• 复杂任务：按照1-5对文本的attitude评级
• 高级任务：检查attitude的来源、目标或者复杂的attitude类型

二、基准算法

任务：极性检测：一部IMDB上的电影评论是积极还是消极

数据：Polarity Data 2.0: http://www.cs.cornell.edu/people/pabo/movie-­review-­data

步骤：

1. Tokenization：将文本切分成词汇
2. 特征提取
3. 使用分类器分类：
   • Naive Bayes
   • MaxEnt
   • SVM

1. Tokenization

需要应对：

• HTML和XML标记
• Twitter的标记（如，用户名、@）
• 大写单词（有时候需要保留）
• 电话号码、日期
• 表情符号
• 其他：

2. 特征提取

有效特征：

• 否定词
  • 把在not后面直到下一个标点符号之间的词都加上NOT_，如下：
  • 
• 只选择形容词或者所有词（所有词的效果更好）

3. 二值多项式朴素贝叶斯

主要思想：在情感分析或者其他文本分类的任务中，认定一个词是否出现比起出现的频次更重要

训练过程：

• 将所有词的计数都重设为1
• 从训练语料中提取词汇表
• 
• 将每个文档中的词去重，只保留一个实例
• 将所有属于docsj类别的文档都连接成一个文档得到Textj
• 

测试过程：

• 将测试文档中的词去重
• 

交叉验证：

• 将数据分成10组，每组内的测试集和训练集中positive和negative的比例一样
• 用前9组数据分别训练9个分类器，将最后一组数据完全作为测试集
  • 以下是其中五组数据：
  • 
• 每组数据得到一个正确率，然后计算平均正确率

4. 难点

• 有些评论很隐晦，难以被分类器察觉
• 评论说的是原来自身的期望，然后说不符合期望，比如It should be brilliant，但是最后一句往往会说一句消极的话，所以语序也很重要

三、情感词典

词典中的每个词都存储了所属的情感。

1. 一般的情感词典

如下：

不同情感词典之间的同一个词极性的不一致性

2. 实例分析

分析IMDB中的每个词的极性

类别为1-10星，电影评论中都会附有星级评价，用这个来做类别，然后分析每个评论中的词，用以确定每个词的极性。

同一个词“bad”在不同的星级下计数如下：

可以发现1星最多，这也是因为1星的评价最多，所以我们不能直接用这个来确定极性，而是用如下计算：

最大似然估计：

不同词之间的比较使用范围最大似然估计Scaled likelihood：

具体分析不同词在不同星级下的范围最大似然估计如下：

可以发现amazing和awesome在高分星级上出现的比较多，而bad和terrible在低分星级上出现较多

其他情感特征：否定词（no, not）

可以发现否定词在低分星级上出现的比较多

四、建立情感词典

主要使用半监督学习

• 先使用一个小的数据集，可能是
  • 一些带标签的实例
  • 一些手动建立的模式
• 然后建立一个词典

1. 基准算法

基本思想：源于

• 如果两个形容词用“and”连接，那么他们有相同的极性
• 如果用“but"连接，那么他们有相反的极性

步骤：

1. 手动标记一个包括1336个形容词的种子数据集，其中有657个词是positive，679个词是negative
2. 通过连接的形容词来扩展种子数据集。
   • 比如使用Google：
   • 
3. 建立一个有监督的分类器，用以给每个词对分配极性相似性，即两个词极性上有多相似，主要使用count(AND)和count(BUT)。得到如下示意图：
   • 
4. 将上图聚类成两堆，分别为positive和negative，如下：
   • 
5. 输出极性的词典：positive和negative
   • 

以上是针对形容词，下面介绍一种针对短语的词典的建立方法Turney Algorithm。

2. Turney算法

步骤类似，如下：

1. 从评论中提取建立一个短语词典
   • 将有如下词性组合的两个词都作为一个短语：
     • ，其中JJ表示形容词，NN表示名词，NNS表示复数形式的名词
2. 学习每个短语的词性：使用点间互信息PMI，基本思想也是使用两个词“and”共现的词的计数
   • 
   • 如何预估PMI：使用查询机制，类似于上述的搜索Google：
     • 
   • 然后计算一个短语的极性：
     • 
3. 对一个评论，计算其中的短语的平均极性，再评级
   • 一个评论结果如下：
     • 

Turney Algorithm结果如下：

可以发现Turney算法比起基准算法更准确，或许是因为

• 短语比起单个词更准确
• Turney算法可以学到特定领域的信息

3. 使用WordNet学习极性

WordNet：在线同义词词典

步骤：

• 创建positive和negative的种子词典（“good”和“terrible”）
• 找到各种子词典里的同义词和反义词
• 重复以上步骤
• 过滤

五、其他情感分析任务