情感分析模型swal

情感分析模型swal情感分析（sen timen t analysis ）表面上是指利用计算机技术 对文本、图像、音频、视频甚至跨模态的数据进行情绪挖掘与分 析。但从广义上讲，情感分析还包括对观点、态度、倾向的分析 等。情感分析主要涉及两个对象，即评价的对象（包括商品、服 务、组织、个体、话题、问题、事件等）和对该对象的态度、情感 等。情感分析在社会的舆情管理，商业决策，精准营销等领域有着 广泛的应用。在股市预测、选举预测等场景中，情感分析有着举足 轻重的作用。情感分析的诞生和发展主要源于社交媒体和网络，如 论坛、博客、微博等。至2000年起情感分析便成为自然语言处理中 活跃的领域之一。然而现实生活中，社交网络的情感分析仍存在较 大的困难（主要原因之一为社交网络的数据存在大量无用的“垃 圾”信息，这也是自然语言处理中大部分工作（如机器翻译等）应 用于实际生活场景中很难取得较好效果的原因）。情感分析的研究方法主要包括有监督和无监督两种方法。早期 的有监督学习是指SVM、最大熵、朴素贝叶斯等这类浅层模型，而 无监督学习则为基于词典、语义分析等方法。深度学习的出现使得 其在许多分类、回归任务中均取得了最好的结果。近年来应用deep learning进行情感分析也成为了研究的热点。情感分析主要分为三个层面，分别为：Document level、 Sentence level 和 aspect level。其中 Document level 是将整个 文档作为分析单元并假设该文档讨论的对象为单一实体且情感、观 点都是鲜明、清晰的，即 neural, positive or negative 。Sentence level则是以每个句子作为单独的分析对象，由于句子与 句子间可能存在某些关联，因此我们不能将其认为是观点明确的。而对于aspect level其分类粒度更细，即我们需要抽取出targets 不同层面相互独立的评价，并进行总结综合得到最后的情感。其将 涉及 ascept extraction, entity extraction 以及 aspect sentiment classification。例如，对于 Deep Learning 虽然结果 可解释性差，但对于图像识别任务是非常有效的。其中Deep Learning 即为 entity，extraction identity 则为“结果”和“图 像识别”，对于“结果”为其情感为negative，“图像识别”为 positive。