李 然 林 政 林海倫 王偉平 孟 丹

1(信息內(nèi)容安全技術(shù)國家工程實驗室(中國科學院信息工程研究所) 北京 100093)

2(中國科學院大學網(wǎng)絡(luò)空間安全學院 北京 100049)

(liran@iie.ac.cn)

隨著社交媒體的迅猛發(fā)展，Twitter、微博、MSN、微信等社交網(wǎng)絡(luò)正逐漸地改變著人們的生活.越來越多的人愿意在社交網(wǎng)絡(luò)上表達自己的態(tài)度和情感，而不僅僅是被動地瀏覽和接收信息.對微博等文字中的情緒進行分析可以使人們獲得更多關(guān)于內(nèi)心世界的知識.因此，文本情緒分析技術(shù)可幫助研究機構(gòu)、信息咨詢組織和政府決策部門掌握社會情緒動態(tài)，這種需求極大地促進了情緒分析技術(shù)的發(fā)展.

近年來，文本情緒分析也漸漸引起了工業(yè)界和學術(shù)界的研究興趣.在早期的工作中，研究重點主要集中在基于正負類的情感分析和對情感文本進行正面、負面、中性方面的分析.然而，基于二分類的情感分析難以充分表達人類復(fù)雜的內(nèi)心世界，不僅忽視了用戶所表達的細微情緒變化，同時也難以較全面地涵蓋用戶的心理狀態(tài)，這都加速了對基于多分類的細粒度情緒分析的需求.

情緒分析又稱細粒度類別的情感分析，反之，情感分析也可以看作是二分類的情緒分析.情緒分析是在現(xiàn)有粗粒度的二分類分析工作的基礎(chǔ)上，從人類的心理學角度出發(fā)，多維度地描述人的情緒態(tài)度.比如“卑劣”是個負面的詞語，而它更精確的注釋是憎恨和厭惡.由于情緒分析對于快速掌握大眾情緒的走向、預(yù)測熱點事件甚至是民眾的需求都有很重要的作用.研究者們的研究重點也逐漸從單一的文本正負情感分析轉(zhuǎn)變?yōu)楦蛹毩６鹊那榫w分析.

1 背景知識

情緒，是多種感覺、思想、行為綜合產(chǎn)生的生理和心理狀態(tài)，是對外界刺激所產(chǎn)生的生理反應(yīng)，如喜愛、悲傷、氣憤等.“情緒”在《辭海》中的定義為：從人對事物的態(tài)度中產(chǎn)生的體驗.與“情感”一詞常通用，但有區(qū)別.情緒與人的自然性需要相聯(lián)系，具有情景性、暫時性和明顯的外部表現(xiàn)；情感與人的社會性需要相聯(lián)系，具有穩(wěn)定性、持久性，不一定有明顯的外部表現(xiàn).情感的產(chǎn)生伴隨著情緒反應(yīng)，而情緒的變化也受情感的控制.通常能滿足人某種需要的對象，會引起正向的情緒體驗，如滿意、喜悅、愉快等；反之則引起負向的情緒體驗，如不滿、憂愁、恐懼等.因此也可以看出情感是多種情緒的綜合表現(xiàn)，而情緒是情感的具體組成.因為情緒是人天性中的一個重要元素，所以它在心理學和行為科學中一直有著廣泛的研究.由于自然語言的復(fù)雜性和人類情緒的多變性、敏感性，不同領(lǐng)域的研究對情緒類別的劃分也有不小的差異.雖然目前學術(shù)界對情緒的分類還沒有達成共識，但國內(nèi)外學者已經(jīng)對情緒分類做了較為深入的研究，并提出了不同的情緒集理論.

1.1 情緒分類理論

我國很早就開始對情緒分類開展研究，據(jù)《禮記》記載，人的情緒有“七情”的分法，即為喜怒哀懼愛惡欲；《白虎通》中情緒可以分為“六情”，即喜怒哀樂愛惡；在此基礎(chǔ)上，現(xiàn)代心理學家林傳鼎[1]根據(jù)《說文》將情緒分為18類，即安靜、喜悅、撫愛、恨怒、驚駭、哀憐、恐懼、悲痛、慚愧、憂愁、忿急、煩悶、恭敬、憎惡、驕慢、貪欲、嫉妒、恥辱.

在現(xiàn)代心理學起源和繁盛的西方，研究者們對情緒集理論也有著豐富的成果.法國的哲學家笛卡兒(Descartes)在其著作《論情緒》中認為，人的原始情緒分為詫異(surprise)、愛悅(happy)、憎惡(hate)、欲望(desire)、歡樂(joy)和悲哀(sorrow)，其他的情緒都是這6種原始情緒的分支或者組合.此后，美國心理學家Ekman[2]提出一個基礎(chǔ)情緒理論，其認為基本情緒包括高興(joy)、悲傷(sadness)、憤怒(anger)、恐懼(fear)、厭惡(disgust)和詫異(surprise)，因為這6種情緒可以依靠面部表情和生理過程(如增加心率和流汗)辨別，所以這些情緒被認為比其他的更基本.

在此基礎(chǔ)上，美國心理學家Plutchik[3]基于進化規(guī)則的綜合理論，提出了一種多維度的情緒模型，模型定義了8種基本雙向情緒，包括Ekman的6種情緒以及信任(trust)、期望(anticipation).可以分為4對雙向組合：高興與悲傷(joy vs. sadness)、憤怒與恐懼(anger vs. fear)、信任與厭惡(trust vs. disgust)、詫異與期望(surprise vs. anticipation).圖1顯示了Plutchik模型的情緒類別在“情緒輪”上的排序，其中顏色的深淺代表這種情緒的飽和度，離圓心的遠近代表情緒的強度.每種情緒都可以進一步分為3度.例如滿足是較小程度的高興，是一種不飽和狀態(tài)；狂喜是強烈的高興，是飽和狀態(tài).此外，Plutchik還提出一種假設(shè)，2種相鄰近的基本情緒組合會產(chǎn)生一種復(fù)合的情緒.例如樂觀是由高興和期望的組合；此外，一些外在的刺激也可以產(chǎn)生復(fù)合情緒，若同時觸發(fā)了高興和信任，人們會表現(xiàn)出愛的情緒.

Fig. 1 Plutchik’s wheel of emotions圖1 Plutchik提出的情緒輪

Fig.2 Research framework of sentiment/emotion analysis圖2 情感/情緒分析的研究框架

另一種在多項研究[4-5]中被采用的人類情緒識別模型是美國心理學家Ortony等人[6]提出的OCC (Ortony Clore Collins)情緒模型，該模型基于人對各種情況的情緒反應(yīng)制定了22種情緒類別，主要用于模擬一般情況下的情緒.

此外，從分層的角度出發(fā)，英國心理學家Parrott[7]提出了一種基于樹結(jié)構(gòu)的情緒分類模型，該模型由6種基本情緒組成，分別為：愛(love)、高興(joy)、詫異(surprise)、憤怒(anger)、悲傷(sadness)和恐懼(fear)，并根據(jù)基本情緒構(gòu)建了一個3層的樹結(jié)構(gòu).分類模型的第1層由6種基本情緒構(gòu)成，第2層、第3層都改善了上一層的粒度.Parrot模型可以識別出100多種情緒，并在樹結(jié)構(gòu)化列表中將抽象的情緒概念化，被認為是最微妙的情緒分類.

隨著社交網(wǎng)絡(luò)的發(fā)展，微博等社交媒介已成為人們的主流聯(lián)絡(luò)工具.人們樂于在微博等社交網(wǎng)絡(luò)上抒發(fā)自己的感情、表達自己的觀點.這些包含喜、怒、哀、樂等個人情緒的網(wǎng)絡(luò)文本成為了情緒分析的重要資源，研究機構(gòu)、信息咨詢組織和政府決策部門可以根據(jù)情緒分析來構(gòu)建用戶的個人肖像，分析用戶的性格特點；利用人們對公共事件、社會現(xiàn)象的態(tài)度，掌握事態(tài)的演變，從而更好地監(jiān)測和控制事件進展.

1.2 文本情緒分析應(yīng)用

由于研究者們早期的工作主要集中在二分類的情感分析上，其成果較為成熟，形成了體系化的研究框架.情緒與情感的分析任務(wù)相似，可以借鑒并歸納出一個適用于情感/情緒的通用研究框架，其自底向上包含抽取、分類、檢索與歸納等多項研究任務(wù)[8].如圖2所示，情感/情緒信息抽取主要包括觀點持有者識別、情感和情緒詞抽取、評價對象抽取等，這些方法是整個研究框架的基石；情感/情緒分類則建立在情感/情緒信息抽取的基礎(chǔ)上，對帶有情感/情緒的文本進行正負類極性判定，或進行細粒度的情緒分類.此外，情感/情緒分類還可按照不同的層級粒度細分為詞級、短語級、句子級和篇章級.情感/情緒分類的上層研究綜合利用前2層的分析結(jié)果，為不同領(lǐng)域的應(yīng)用提供服務(wù)，主要包括情感/情緒的歸納與檢索等.文本情緒分析已經(jīng)在各個領(lǐng)域得到應(yīng)用并具有良好的應(yīng)用前景.

1.2.1 輿情監(jiān)控

輿情分析，就是通過收集和整理民眾態(tài)度，發(fā)現(xiàn)相關(guān)的意見傾向，從而客觀反映出輿情狀態(tài).從古代的“防民之口甚于防川”，到現(xiàn)在的網(wǎng)絡(luò)時代，“每個人都有了自己的麥克風”.互聯(lián)網(wǎng)為社情民意的表達提供了平臺，體現(xiàn)用戶意愿、評論和態(tài)度的網(wǎng)絡(luò)輿情也愈發(fā)受到重視.所謂網(wǎng)絡(luò)輿情[9]，就是對社會熱門問題持有不同看法的網(wǎng)絡(luò)輿論，是社會輿論的一種表現(xiàn)形式，也是公眾通過互聯(lián)網(wǎng)對現(xiàn)實生活中某些熱點、焦點問題發(fā)表具有較強影響力、傾向性的言論和觀點.網(wǎng)絡(luò)輿情的2個重要特點就是網(wǎng)絡(luò)非理性情緒和群體極化.

許多非理性的情緒，如仇富、仇官、反權(quán)力、反市場等，借助暴力性和娛樂化的網(wǎng)絡(luò)表達強化，使人們變得更加情緒化和極端化.網(wǎng)民的非理性情緒，對社會存在潛在威脅，值得警醒.另一種特征“群體極化”是由美國教授Cass Robert Sunstein提出的，就是“起初團隊成員擁有某種方面的潛在傾向，在討論之后，人們朝著所傾向的方向繼續(xù)移動，最后形成極端的觀點”.例如最初群體中成員的意見都比較保守，在經(jīng)過了群體的商議后，決策就會更加保守；相反，若個體成員意見傾向于冒險化，則經(jīng)商議后的群體決策就可能會更趨向于冒險.

社會的安全管理需要不斷關(guān)注網(wǎng)絡(luò)輿情動向，并及時正確引導網(wǎng)絡(luò)輿論方向，保證社會的長治久安.然而，各種渠道得到的信息龐雜，只靠人工方法進行甄別無法應(yīng)對海量信息.因此，研發(fā)精確有效的情緒分析系統(tǒng)，實現(xiàn)對輿情信息的自動處理，對維持社會穩(wěn)定有著非常重要的意義.

1.2.2 商業(yè)決策

隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)購在生活中愈發(fā)普及，人們通過C2C(如淘寶網(wǎng)、易趣網(wǎng)等)和B2C(如京東網(wǎng)、亞馬遜等)形式的電子商務(wù)購買商品后，寫下對商品的評論.其他消費者通過這些評論可以了解商品質(zhì)量、售前售后服務(wù)，并且直接影響他們的購買決定.同時，生產(chǎn)商通過分析在線評論信息和情緒特征，可以獲得消費者的行為特點，預(yù)測消費者偏好的變化趨勢.此外，銷售商還可以通過分析消費者的對商品或售前售后服務(wù)的心理狀態(tài)，獲得促銷對消費者情緒的影響，為改善營銷行為提供決策基礎(chǔ)，從而獲得競爭優(yōu)勢.

1.2.3 觀點搜索

隨著信息時代的到來，網(wǎng)絡(luò)數(shù)據(jù)呈現(xiàn)出爆炸式的增長，激發(fā)了用戶從互聯(lián)網(wǎng)海量信息中搜索有效信息的需求.在搜索過程中同時考慮搜索關(guān)鍵字和用戶的情感訴求，可以使搜索變得更加便捷、準確和智能.情緒檢索技術(shù)是解決該問題的重要方法之一，其任務(wù)是從海量文本信息中查詢文本所蘊含的觀點，并根據(jù)主題相關(guān)度和觀點傾向性對結(jié)果進行排序.情緒檢索返回的結(jié)果需要同時滿足主題相關(guān)性和情感傾向性，情感傾向性既可以是文本帶有的情感傾向，也可以是指定情感傾向的文本.因此，情緒信息檢索是比情緒分類更加復(fù)雜的任務(wù).

為滿足互聯(lián)網(wǎng)用戶日益增長的搜索需求，2006年國際文本檢索會議(Text Retrieval Evaluation Conference，TREC)首次引入博客檢索(blog track)任務(wù).Mishne[10]在LiveJournal blogs上標注了37種情緒類別，并利用頻率統(tǒng)計、博客長度、語義特征等方法實現(xiàn)了對博客的情緒分類，為情緒檢索提供了基礎(chǔ).此外，在圖書、隨筆等長文本觀點搜索任務(wù)中，Mohammad[11]提出一種基于情緒詞密度的觀點搜索方法.該方法利用谷歌書庫定義的情緒實體與共現(xiàn)詞之間的關(guān)聯(lián)，發(fā)現(xiàn)了童話和小說之間情緒詞密度的區(qū)別，并可按照情緒類別組織文本集，提高了長文本的搜索性能.此外，該方法還支持對文本中所含情緒的可視化展示與追蹤.

1.2.4 信息預(yù)測

隨著越來越多的人熱衷于參與到微博等網(wǎng)絡(luò)互動中，微博對人們的生活也帶來了巨大的影響.情緒分析技術(shù)可以通過對微博上的新聞、評論等信息進行分析，預(yù)測事件的發(fā)展趨勢，其主要的應(yīng)用方向包括3個方面：

1) 金融預(yù)測

情緒分析在金融中的巨大應(yīng)用潛力引起了研究者們的興趣.美國印第安納大學和英國曼徹斯特大學的學者發(fā)現(xiàn)了一個有趣的現(xiàn)象[12]：Twitter可以從一定程度上預(yù)測3～4天后的股市變化.他們通過OpinionFinder方法將人的情緒分為正面和負面2種模式，再利用GPOMS(Google profile of mood)將情緒分為更加細致的類別，包括：冷靜(calm)、警惕(alert)、確信(sure)、活力(vital)、友善(kind)和幸福(happy)6類.若將其中的“冷靜”情緒指數(shù)后移3天，竟與道瓊斯工業(yè)平均指數(shù)(DJIA)驚人的相似.研究者們推測：在股票市場中，微博上對某支股票的議論可以影響投資者的行為，從而進一步影響股市變化的趨勢.Devitt等人[13]通過對金融文本所表達的情感極性判斷，也實現(xiàn)了在一定程度上預(yù)測市場交易、股票價格和公司收益波動性的未來走勢.

2) 選情預(yù)測

情緒分析在選情預(yù)測中也扮演著重要的角色.在美國大選期間，Tumasjan等人[14]通過挖掘和分析民眾在Twitter上對各競選團隊的評論，制定針對搖擺州(美國大選中的一個專有名詞，指競選雙方勢均力敵，都無明顯優(yōu)勢的州)的特定宣傳政策，從而提高己方的民意支持率.此后，Kim等人[15]通過對網(wǎng)絡(luò)新聞的分析，以81.68%的準確率成功預(yù)測出美國大選花落誰家.此外，在2011年意大利議會選舉和2012年法國總統(tǒng)大選過程中，Ceron等人[16]用情緒分析計算出政治領(lǐng)導候選人的Twitter支持率.

3) 其他預(yù)測

情緒分析還可用于對政策性事件的民意預(yù)測，如延遲退休的年齡等，為國家相關(guān)政策的制定提供輔助支撐.此外，情緒分析還可以應(yīng)用到疫情、地震等自然災(zāi)害的判斷和預(yù)測.

隨著信息預(yù)測的應(yīng)用內(nèi)容越來越豐富，情緒分析技術(shù)愈發(fā)受到重視.情緒分析技術(shù)通過分析互聯(lián)網(wǎng)新聞、博客等信息源，可以較為準確地預(yù)測某一事件的未來走勢，無論是政治經(jīng)濟領(lǐng)域還是日常生活中都具有重大意義.

1.2.5 情緒管理

用戶在微博、社區(qū)和論壇中的社交活動都是現(xiàn)實生活對網(wǎng)絡(luò)社會的映射，這些社交網(wǎng)站中儲存了大量的用戶個人言論.由于用戶的情緒與其所關(guān)注的話題通常具有較強的連續(xù)性，分析用戶發(fā)布的言論可以較為準確地獲得人們的生活狀態(tài)和性格特點.Golder等人[17]通過研究Twitter用戶在晝夜和不同季節(jié)所展現(xiàn)的情緒節(jié)奏，包括用戶在工作、睡覺等不同時間段內(nèi)表現(xiàn)的情緒，繪制出心情曲線，從而了解人們的精神狀態(tài).此后，Kim等人[18]通過研究也發(fā)現(xiàn)人們的情緒在6點、11點、16點和20點達到了高峰，并總結(jié)了用戶一天中的情緒總體走向.利用這些研究成果，公司可以了解員工的工作狀態(tài)，從而更有效地制定工作計劃.此外，Zhou等人[19]對不同行業(yè)名人的微博進行分析，統(tǒng)計名人發(fā)布微博中各類情緒的比例，可以分析出不同名人的性格、關(guān)注點和個人喜好.隨著時代的進步和社會的發(fā)展，人們對自我關(guān)注的需求不斷提高.通過對用戶進行情緒分析可以讓用戶更加了解自我，從而找到更加適合自己的方式去學習、工作和生活，情緒管理領(lǐng)域也將擁有更廣闊的應(yīng)用市場.

隨著應(yīng)用的發(fā)展與需求的變化，文本情感/情緒分析研究任務(wù)更加繁重，基于正負二分類的情感分析作為多分類情緒分析的前期準備和一種特例，其成熟的研究框架和流程值得研究與借鑒.

2 情感分析

文本情感分析不同于文本挖掘和文本分類，文本中所蘊含的情感本身具有抽象性，難以根據(jù)字面信息直接進行處理.情感分析的主要任務(wù)[8]包括：情感信息抽取、情感分類、情感檢索與歸納.

2.1 情感信息抽取

情感信息抽取的目標是抽取文本中有價值的情感信息，找出文本中傾向性單元的要素[20]，包括識別情感表達者、評價對象以及情感觀點等有價值的任務(wù).

2.1.1 情感表達者的識別

情感表達者就是抽取觀點的持有者，即觀點、評論的隸屬者.Kim等人[21]提出了一種基于語義角色的觀點持有者識別方法.該方法通過目標詞、短語類型、解析樹路徑等特征和最大熵分類器識別出情感表達者.在FrameNet數(shù)據(jù)集的實驗中，該方法的效果優(yōu)于貝葉斯分類器，其F值可達78.7%.

此后，為解決不同領(lǐng)域觀點持有者抽取的適應(yīng)性問題，Carstens等人[22]提出了一種基于多模型的觀點持有者識別系統(tǒng).該系統(tǒng)通過提取交叉領(lǐng)域不同方法的共同點，從而提高了系統(tǒng)的通用性.在實驗中，該方法相較于支持向量機(support vector machine, SVM)，準確率提高了5.6%.

2.1.2 評價對象的抽取

評價對象是指文本所描述的對象，同時也是承載情感表達者所抒發(fā)情感的載體.Eirinaki等人[23]提出了一種基于形容詞評分的抽取方法，該方法從被形容詞描述的名詞中提取評價對象.在吸塵器、相機和DVD播放器3類評價對象的樣本中，該方法的識別準確率可達87%.

Yu等人[24]提出了一種基于統(tǒng)計學和句法規(guī)則的抽取方法，該方法通過評價對象出現(xiàn)的相對頻率找出候選評價對象，并將大于預(yù)設(shè)閾值的對象作為最終的結(jié)果.在淘寶和騰訊拍拍的評論數(shù)據(jù)集上，該方法的F值可達84.02%.

此后，戴敏等人[25]提出了一種基于條件隨機場的抽取模型，通過加入句法特征來提高評價對象抽取的性能.在德國城市服務(wù)評論數(shù)據(jù)集(Darmstadt service review corpus, DSRC)語料庫的實驗中，其F值達到62.57%.為提高評價對象的識別效果，宋暉等人[26]提出一種基于模糊匹配和半監(jiān)督的抽取評價對象方法.該方法通過手工標記樣本獲取種子詞規(guī)則集，利用句法結(jié)構(gòu)和詞性等特征提取評價對象.在京東商品評論數(shù)據(jù)集中，該方法F值可達79.34%.此外，還有一些研究者利用依存句法分析來抽取評價對象[27-28].

2.1.3 情感詞的抽取

情感詞是帶有情感傾向性的詞語，目前情感詞的抽取主要分為基于情感詞典和基于規(guī)則的方法.

基于詞典的評價詞語抽取方法是通過分析詞語間的詞義聯(lián)系以獲取評價詞語.Li等人[29]通過抽取語料中的形容詞和副詞，并與WordNet詞表比對選出情感詞.在電影評論數(shù)據(jù)集的實驗中，該方法準確率可達77.17%.

基于規(guī)則的方法主要由用戶事先制定分類規(guī)則，方法主要包括專家標注、專業(yè)詞典、統(tǒng)計方法等.王昌厚等人[30]提出一種基于模式的種子式自擴張(bootstrapping)方法，利用種子詞與漢語副詞的搭配方式，通過多次迭代來進行情感詞抽取.實驗表明，當該方法迭代約100次時準確率最高，約90%.

情感信息抽取是情感分析的基礎(chǔ)任務(wù)，可對情感文本中有價值的情感信息進行抽取，為上層的情感分類和情感檢索與歸納任務(wù)提供了支撐.

2.2 情感分類

情感分類又稱情感傾向性分析，其任務(wù)是識別指定文本的主觀性觀點，并判斷文本情感的正負傾向性，主要包括基于詞典和規(guī)則的方法和基于機器學習的方法.

2.2.1 基于詞典和規(guī)則的情感分類方法

情感詞典作為一種重要的情感分類方法，能夠體現(xiàn)文本的非結(jié)構(gòu)化特征.Paltoglou等人[31]采用基于情感詞典的情緒分類方法.該方法利用否定詞、大寫字母、情感增強減弱、情感極性等多種語言學預(yù)測函數(shù)，對微博進行情感分類.在Twitter，MySpace，Digg等社交媒體的實驗中，該方法準確率可達86.5%.此后，Qiu等人[32]提出一種基于句法分析和情感詞典相結(jié)合的情感分類方法，該方法利用情感詞典從廣告上下文中識別情感句，根據(jù)主題和關(guān)鍵字提取消費者的態(tài)度.在automotiveforums.com論壇語料庫實驗中，該方法準確率為55%.在此基礎(chǔ)上，Jiang等人[33]擴充了情感詞典特征和主題相關(guān)特征，在Twitter語料分類實驗中，準確率可達85.6%.

在中文情感分類的研究中，Wan[34]利用機器翻譯技術(shù)將中文商品評論翻譯成英文評論，再利用英文情感分析資源對翻譯后的評論進行情感極性分類.在中文it168.com網(wǎng)站語料庫實驗中，該方法準確率可達81.3%.此后，Wei等人[35]通過引入多語言模型，利用結(jié)構(gòu)一致學習算法(structural corres-pondence learning, SCL)減少機器翻譯的噪聲，充分利用了已有的中英文情感語料.在使用文獻[34]的語料庫時，該方法準確率可達85.4%.

為應(yīng)對海量無標記數(shù)據(jù)情感分類的挑戰(zhàn)，研究者們開展基于規(guī)則的情感分類的研究.Turney[36]提出一種基于互信息(pointwise mutual information, PMI)的情感分類方法，該方法在提取文本詞性的基礎(chǔ)上，根據(jù)預(yù)定義的規(guī)則選取形容詞、副詞的搭配，對文本所有搭配的互信息差求和，判斷情感類別.對情感分類的平均準確率可達74.39%.

針對文獻[36]受限于較依賴種子褒/貶義詞集合的問題，Zagibalov等人[37]通過分析文本中的否定詞和狀語信息并引入迭代機制，使無監(jiān)督學習情感分類的準確率達到了82.72%.

由于某些情感詞在不同的領(lǐng)域或語境中有不同的情感極性，Jo等人[38]提出一種基于“主題-句子”關(guān)系的情感分類方法.該方法在情感詞上同時標記主題和情感2種標簽，并利用句子的主題標簽采樣代替詞的主題標簽采樣，縮小詞與詞之間的主題聯(lián)系.由于基于主題的模型有著其他方法難以替代的優(yōu)點，受到了廣大研究者們的關(guān)注[39-41].

隨著互聯(lián)網(wǎng)中新詞的不斷涌現(xiàn)，基于詞典和規(guī)則的分類方法在分類時靈活度不高，難以應(yīng)對不斷變化的詞形詞意，為提高情感分類的準確率，研究者們開展了基于機器學習的情感分析方法.

2.2.2 基于機器學習的情感分類方法

隨著機器學習技術(shù)不斷創(chuàng)新，開拓的新領(lǐng)域無處不在，文本情感分析一直是機器學習研究的活躍領(lǐng)域之一.

1) 有監(jiān)督學習的情感分類方法

有監(jiān)督學習方法認為情感分類是一個針對標記訓練文檔的標準模式分類問題.Pang等人[42]首次將有監(jiān)督學習方法應(yīng)用到情感分類中.通過對比一元特征、二元特征、形容詞打分、位置等多種特征和特征權(quán)值選擇策略，并著重比較了SVM、樸素貝葉斯和最大熵等算法的分類效果.在電影評論領(lǐng)域，一元特征與SVM組合效果最好，準確率可達82.9%.

此后，Dong等人[43]提出一種基于自適應(yīng)遞歸神經(jīng)網(wǎng)絡(luò)的情感分類方法，該方法通過上下文和句法規(guī)則對詞的情感標記進行自適應(yīng)傳播，實現(xiàn)了目標依賴的情感分類.在Twitter樣本集的實驗中，該方法的準確率比SVM高，可達66.3%.

Tang等人[44]設(shè)計了一種基于消息級微博情感分析的深度學習系統(tǒng).該系統(tǒng)通過將特定情感詞向量(sentiment-specific word embedding)與手工選擇的表情符號、語義詞典等特征相結(jié)合，并利用SVM進行情感分類.該系統(tǒng)在Twitter情感語料庫上的準確率可達87.61%.

隨著大數(shù)據(jù)時代的到來，通過各種途徑采集到的數(shù)據(jù)大多是無標記的，這成為了研究的瓶頸.為了在基于詞典和規(guī)則方法的省力省時和有監(jiān)督學習方法的高準確率優(yōu)勢之間取得平衡，研究者們開展了半監(jiān)督學習情感分類方法的研究.

2) 半監(jiān)督學習的情感分類方法

半監(jiān)督學習分類方法可以利用少量已標注的樣本和對大量未標注樣本進行訓練和分類.Tan等人[45]提出了一種基于半監(jiān)督特征提取的情感分類系統(tǒng)，該系統(tǒng)融合譜聚類、主動學習、遷移學習等不同方法提取情緒特征，應(yīng)用遷移學習的方法完成整個情感分析系統(tǒng)的構(gòu)建.在搜狐學習評論、搜狐股票評論和中關(guān)村電腦評論語料庫的實驗中，該方法的最小F值可達82.62%.

此后，Ortigosa等人[46]將態(tài)度分析應(yīng)用到半監(jiān)督學習情感分類方法中，將文本發(fā)布者的態(tài)度主觀性、情感極性和影響力等指標進行優(yōu)化與合并，對語料中的情感進行分類.該方法在人造數(shù)據(jù)集的實驗中，情感分類準確率為54%.

在遞歸自編碼的基礎(chǔ)上加入了情感類別的標記信息，Socher等人[47]提出了一種遞歸自編碼半監(jiān)督學習情感分析模型.該模型在構(gòu)建短語向量表示時，可以更大程度地保留情感信息，提高了預(yù)測情感的準確率，可達86.4%.

通過將先驗知識嵌入到學習結(jié)構(gòu)中，Zhou等人[48]提出一種基于模糊深度置信網(wǎng)絡(luò)的半監(jiān)督學習情感分類方法.該方法不僅繼承了深度置信網(wǎng)絡(luò)強大的抽象能力，還具備對情感數(shù)據(jù)的模糊分類能力.在影評、DVD評論等5類語料庫的實驗中，其準確率可達到79.4%.

在跨語言分類的任務(wù)中，傳統(tǒng)的情感分析方法很難直接應(yīng)用.He等人[49]提出有監(jiān)督學習與空間轉(zhuǎn)移相結(jié)合的方法，該方法主要思想是利用目標語言的內(nèi)在情緒知識，補充轉(zhuǎn)移過程中丟失的信息.在圖書、DVD、音樂等不同商品評論的語料庫實驗中，該方法的準確率可達82%.

為方便對不同情感分析方法的效果進行比較，本文將使用相同公開數(shù)據(jù)集的方法及其準確率進行了匯總，包括斯坦福情感樹庫(Stanford sentiment treebank, SSTb)[50-53]、斯坦福Twitter情感語料庫(Stanford Twitter sentiment corpus, STS)[50，54-57]、IMDb影評[58-62]等，具體性能對比如表1所示:

Table 1 The Performance Comparison of Sentiment Analysis

2.3 情感摘要和檢索

情感摘要任務(wù)是對帶有情感的文本數(shù)據(jù)進行濃縮、提煉，從而產(chǎn)生文本所表達的關(guān)于情感意見的摘要.Stoyanov等人[63]提出了一種基于細粒度觀點信息情感摘要的生成方法.通過將描述同一個實體的評論關(guān)聯(lián)起來，收集現(xiàn)實世界中所有識別到的觀點屬性，并最終合成一個完整的情感摘要.Ku等人[64]提出一種基于文本的觀點提取、摘要和跟蹤方法.該方法通過對詞語、句子、篇章級別的觀點抽取，將主題與觀點信息總結(jié)為情感摘要.在新聞和博客語料庫的實驗中，該情感摘要提取方法的F值分別可達到47.97%和32.58%.

情感檢索任務(wù)最早由Hurst等人[65]提出,他們歸納了情感檢索2個主要任務(wù)：①檢索和查詢相關(guān)觀點的文檔或者句子；②根據(jù)主題相關(guān)性和觀點傾向性對檢索出的文檔或句子進行排序.在此基礎(chǔ)上，Zhang等人[66]提出了一種基于詞典的觀點檢索方法.該方法利用一個二次方程將主題相關(guān)性和觀點抽取結(jié)合起來.該方法在TREC博客數(shù)據(jù)集的實驗中，檢索結(jié)果提升了40.3%.

情感檢索將傳統(tǒng)的信息檢索技術(shù)和情感分析技術(shù)相融合，而如何更好地融合二者以獲得理想的情感檢索結(jié)果是近期和未來要關(guān)注的.

多分類情緒分析作為正負二分類情感分析的延伸，也遵循情感/情緒研究框架.相比情感分析，情緒分析現(xiàn)有的工作還比較少.由于現(xiàn)有的文本情緒分析任務(wù)中的情緒抽取任務(wù)基本與情感抽取相同，不少方法可以直接應(yīng)用到情緒分析中來.此外，現(xiàn)有情緒分析工作主要集中在情緒分類的研究上，目前尚無針對情緒摘要和檢索的研究.

3 情緒分析

文本情緒分類任務(wù)主要指通過提取文本內(nèi)容中的情緒要素，將文本劃分到一個或多個預(yù)定義的情緒類別中，通過判定文本中所表達的情緒類別，實現(xiàn)對文本發(fā)布者情緒的監(jiān)控、預(yù)測和管理.目前，情緒分類方法主要包括：基于詞典和規(guī)則的方法、基于機器學習的方法、復(fù)合方法以及其他方法.

3.1 基于詞典和規(guī)則的情緒分類方法

基于詞典和規(guī)則的方法能體現(xiàn)文本的非結(jié)構(gòu)化特征，易于理解和解釋.此外，該方法處理速度快且精度較高，在相對短的時間內(nèi)能夠?qū)Υ笮蛿?shù)據(jù)源做出可行且效果良好的結(jié)果.

3.1.1 基于詞典的情緒分類方法

基于詞典的方法主要利用情緒詞典資源，將語料庫中的情緒表達關(guān)鍵字提取出來，并藉此對語料進行情緒分類.在早期的研究中，Ma等人[67]提出了一種基于詞典的情緒分類方法，并將其應(yīng)用到即時通訊系統(tǒng)上.該方法首先利用關(guān)鍵字識別出文本中情緒相關(guān)的內(nèi)容，再利用句法特征檢測其中的情緒意義,并通過文本消息中的情緒對系統(tǒng)中的語音合成、手勢等功能進行調(diào)整，幫助用戶更好地與遠距離用戶溝通.在此基礎(chǔ)上，Aman等人[68]提出一種基于情緒強度知識的分類方法，該方法除使用情緒詞典之外，還增加了情緒強度知識庫.該方法在博客語料的情緒分類任務(wù)中，其準確率可達66%以上.

由于情緒詞典中的情感詞有較大程度的領(lǐng)域依賴性、時間依賴性和語言依賴性，同一詞匯在不同的領(lǐng)域、時間和語言環(huán)境中可能會表達完全不同的情緒，然而傳統(tǒng)方法在構(gòu)建情緒詞典時并未考慮詞典的應(yīng)用環(huán)境因素，甚至無法應(yīng)用到其他語種.因此，在跨領(lǐng)域、跨時間、跨語言的文本情緒分類任務(wù)中效果并不理想.

為解決領(lǐng)域依賴性的問題，Yang等人[69]提出一種基于特定領(lǐng)域情緒詞典分類的方法.該方法利用情緒感知LDA(emotion-aware LDA，EaLDA)模型，為預(yù)定義的情緒構(gòu)建特定領(lǐng)域的情緒詞典.EaLDA模型使用一組領(lǐng)域無關(guān)的最小種子詞作為先驗知識，來發(fā)現(xiàn)特定領(lǐng)域的詞典.在SemEval-2007數(shù)據(jù)集的綜合實驗中，該方法可以有效輔助文本情緒分類任務(wù)，其中對最難辨別的Disgust類別，其F1值可達10.52%，其他分類如Sadness可達36.85%.

為挖掘時間依賴性對情緒分類的影響，Golder等人[17]利用情緒詞典對全球不同地域、不同文化背景博主所發(fā)表的Twitter進行統(tǒng)計，分析了數(shù)百萬篇公開Twitter中所表達的情緒，并明確地識別出人們的情緒會隨著季節(jié)、星期、晝夜呈現(xiàn)出周期性變化的模式.

解決情緒詞典語言依賴性問題最常用的方法是構(gòu)建本語言的情緒詞典，因此，很多研究者們開展了構(gòu)建中文情緒詞典的研究工作.

對于中文及其他語料資源匱乏的語言，難以獲得用于構(gòu)建本語言情緒詞典的語料素材.為解決該問題，Xu等人[70]提出一種基于英文情緒詞典WordNet-Affect自動構(gòu)建中文情緒詞典的方法.該方法首先將英文情緒詞典中所有的英文單詞都翻譯成中文；再借助中文同義詞詞典《同義詞詞林》將每個情緒類別構(gòu)建一個雙語無向圖，并提出一個圖算法用以過濾翻譯過程中引入的非情緒詞，以獲得種子情緒詞集；最終通過同義詞擴大表示類似情緒的詞匯量，從而獲得數(shù)量大、質(zhì)量高的中文情緒詞典.圖3展示了Anger情緒的部分雙語圖，圖3中將多個同義詞作為邊添加到Anger情緒節(jié)點上.例如n#05588321的字母部分是該詞條的詞性(part of speech，POS)，數(shù)字部分是同義詞集的ID.該方法在中文語料的6種情緒anger，disgust，fear，joy，sadness，surprise分類實驗中，準確率可達77.08%以上.

Fig. 3 A partial bilingual graph of “Anger”圖3 Anger的部分雙語圖

文獻[70]主要解決語料庫資源嚴重不足條件下構(gòu)建情緒詞典的問題，但由于不同語言不同文化中詞匯所表達的情緒存在差異，對情緒分類的準確率存在影響，為此一些研究者開始研究利用少量種子詞構(gòu)建情緒詞典的方法.Song等人[71]提出一種基于異構(gòu)圖的情緒詞典分類方法，該方法利用種子詞和表情符號構(gòu)建情緒詞典，并使用隨機游走算法強化對情緒分布的評估效果.在新浪微博真實數(shù)據(jù)的實驗中，利用該方法構(gòu)建的情緒詞典對7種情緒anger，disgust，fear，happiness，like，sadness，surprise分類的準確率可達54.1%.

此外，傳統(tǒng)的情緒詞典方法還存在詞典中情緒詞固定，難以及時捕捉新詞、變形詞的缺陷.為此，Wu等人[72]提出一種基于數(shù)據(jù)驅(qū)動的微博專用情緒詞典分類方法.該方法設(shè)計了一個包含3種詞典的情緒知識統(tǒng)一框架.為了提高情緒詞的覆蓋率，該方法還支持將檢測到的情緒新詞加入到詞典中，不斷擴展情緒詞典的樣本集.在新浪微博數(shù)據(jù)集的實驗中，該方法準確率可達58.04%.

影響情緒詞典方法分類準確率的主要因素包括情緒詞典的覆蓋率和標注的準確率，目前的情緒詞典在這2個方面仍有不足，一些研究者利用互聯(lián)網(wǎng)的便利，通過網(wǎng)民的幫助構(gòu)建了一個高質(zhì)量情緒詞典.Staiano等人[73]提出一種基于“眾包”的情緒分類方法,該方法利用大規(guī)模“眾包”方式建立情緒注釋與新聞文章之間的聯(lián)系.使用分布語義自動構(gòu)建高質(zhì)量、高精度的情緒詞典.在rappler.com新聞消息數(shù)據(jù)集的實驗中，該方法較好地完成了fear，anger，surprise，joy，sadness 這5類情緒的分類任務(wù)，其中對fear的分類效果最好，準確率可達56%，surprise效果最差，準確率為25%.

總體上，基于情緒詞典的分類方法能體現(xiàn)出文本的非結(jié)構(gòu)化特征，在詞典中情感詞覆蓋率和標注準確率較高的情況下，分類效果比較理想.然而，該類方法依賴領(lǐng)域、時間、語言等方面的背景知識，且難以及時捕捉新詞、變形詞，使如何構(gòu)造高質(zhì)量的情緒詞典成為其難點.

3.1.2 基于規(guī)則的情緒分類方法

除了情緒詞典，還有一類基于規(guī)則的情緒分類方法，可以快速實現(xiàn)對情緒語料的分類.在早期的工作中，Strapparava等人[74]提出了一種基于語義規(guī)則的情緒分類方法，該方法利用隱形語義算法(latent semantic analysis， LSA)計算通用語義詞和情緒詞的語義相似度，再根據(jù)語義相似度對新聞標題進行分類.該方法在Times，BBC，CNN等新聞?wù)Z料的情緒分類任務(wù)中，準確率可達38.28%.

由于網(wǎng)絡(luò)中的非正式文本比較多，文獻[74]在對不規(guī)范文本的情緒分類任務(wù)中表現(xiàn)并不理想.為解決該問題，Neviarouskaya等人[75]首先對網(wǎng)絡(luò)文本中非正式縮寫、情緒圖標以及語法錯誤等不規(guī)范文本進行了預(yù)處理，再利用基于語義規(guī)則的方法分階段處理每個句子，最終將目標語料中的情緒分為9類interest，joy，surprise，anger，sadness，fear，disgust，guilt，shame，其架構(gòu)如圖4所示.在包括日記博客、童話和新聞標題等不同領(lǐng)域的數(shù)據(jù)集中，該方法情緒分類的準確率可達72.6%.此外，該方法在具有復(fù)雜句子的環(huán)境中也具有較好的分類效果.

Fig. 4 The emotion analysis architecture based on semantic圖4 基于語義規(guī)則的情緒分析架構(gòu)

對于句子級情緒分析，現(xiàn)有的基于情緒詞典的方法表現(xiàn)并不理想，因為其并未考慮文本順序和篇章結(jié)構(gòu).Wen等人[76]提出一種利用類序列規(guī)則情緒分類的方法，將指定文本中的情緒分為7類anger，disgust，fear，happiness，like，sadness，surprise.該方法首先分別利用情緒詞典和機器學習方法獲得句子的2個潛在情緒標簽，并將每個微博文本看作一個數(shù)據(jù)序列，再從數(shù)據(jù)集中挖掘文本的類規(guī)則序列，最后根據(jù)規(guī)則的特性對微博進行情緒分類.在2013年新浪微博的情緒分析評測任務(wù)中，該方法對7種情緒的分類準確率均達到41.33%以上.

通過分析社會媒體中公眾情緒的成因，可以利用情緒與起因事件的關(guān)聯(lián)關(guān)系來提高情緒分類的準確率.傳統(tǒng)的情緒分類方法主要基于統(tǒng)計手段，沒有考慮到引起情緒的觸發(fā)事件.Lee等人[77]提出一種基于文本驅(qū)動的情緒成因檢測方法.該方法通過對中文語料庫數(shù)據(jù)的分析，確定了7種語言線索，包括原因事件的位置、體驗者情緒關(guān)鍵詞的位置、使役動詞、動作詞、認知標記、連接詞和介詞，并據(jù)此歸納出語言規(guī)則來檢測情緒的成因.

在此基礎(chǔ)上，部分研究者將基于規(guī)則的方法與事件成因相結(jié)合，從而實現(xiàn)對媒體文本的情緒分類.Li等人[78]提出一種結(jié)合語義規(guī)則和事件觸發(fā)理論的情緒分類方法.該方法根據(jù)社會學以及其他領(lǐng)域的知識和理論，從推斷和提取情感的原因入手進行分析.通過構(gòu)造一個基于語義規(guī)則的系統(tǒng)，自動檢測并抽取每個博客語料中情緒的起因事件.再利用起因事件訓練分類器對語料庫進行情緒分類.在新浪微博的實驗中，該方法在加入了原因事件后，對6個情緒類別anger，disgust，fear，happiness，sadness，surprise的分類準確率均有所提高.例如，Happiness從85.41%提升至87.36%，Surprise從71.71%提升至72.52%等.

此后，Gao等人[79]結(jié)合情緒起因事件，提出一種基于規(guī)則的情緒分析系統(tǒng).該系統(tǒng)從事件的結(jié)果、代理的行為和對象的性質(zhì)中分析產(chǎn)生情緒的原因事件，并根據(jù)這些事件挖掘其中的基本情緒、復(fù)合情緒(滿意、感激、悔恨和憤怒)和擴展情緒(信任、失望、憐憫等)的關(guān)聯(lián)規(guī)則，通過抽取的情緒規(guī)則對中文微博進行分類.在對新浪微博語料中實驗，分類準確率可達82.50%.

綜上，雖然基于規(guī)則的情緒方法可以在較短時間內(nèi)獲得分類結(jié)果，且可以加入事前起因等其他規(guī)則來提高情緒分類的準確率，但在數(shù)據(jù)量較大時，規(guī)則的維護比較復(fù)雜，且不易擴展.

3.2 基于機器學習的情緒分類方法

在大數(shù)據(jù)時代的背景下，捕獲文本數(shù)據(jù)并從中萃取有價值的情緒信息是基于機器學習情緒分類方法的主要任務(wù)，該方法主要包括有監(jiān)督和半監(jiān)督方法.

3.2.1 有監(jiān)督學習情緒分類方法

在有監(jiān)督學習的過程中，只需要給定輸入情緒樣本集，即可推演出目標情緒分類的可能結(jié)果.有監(jiān)督學習相對比較簡單，針對不同的情緒分類任務(wù)可分為單標簽和多標簽情緒分類方法.

特征選取是否合適是影響有監(jiān)督學習分類效果的一個主要因素，現(xiàn)有方法中用于情緒分類的特征主要包括詞級、句子級和篇章級特征.其中，詞級特征主要包括詞頻(例如詞袋特征)、詞性(例如名詞、動詞、連接詞)、語義(例如詞向量的相似度)、表情符號及其組合等.

在早期的研究中，為了使得語音合成技術(shù)TTS(text-to-speech)朗讀時語調(diào)更自然，研究者們需要挖掘出童話故事中所蘊含的情緒.Alm等人[80]提出一種將SVM與SNoW (sparse network of winnows)架構(gòu)結(jié)合的文本情緒預(yù)測方法.該方法通過選取故事首句、特定的連接詞等30種特征將22篇格林童話劃分為happy，sad，fearful，angry，disgusted，surprised，non-emotion這7類，其中surprised又細化為正向Su+和負向Su-.實驗通過對比SVM、樸素貝葉斯等基準分類器，結(jié)果顯示將SVM與SNoW架構(gòu)結(jié)合的方法效果最好，其準確率可達到69.37%.

相較于童話故事、博客等長文本語料，社交網(wǎng)絡(luò)信息通常是簡短的，如微博、即時消息、新聞標題等.短文本受字數(shù)的限制，呈現(xiàn)出特征稀疏、內(nèi)容簡短、表述直接等特點，這使得以往的情緒分類方法在面向短文本語料時，難以保證其分類效果.面向短文本的情緒分析[81]是近幾年最熱門的研究方向之一.

在微博環(huán)境中，表情符號被廣泛用來表達不同的情緒，社交網(wǎng)絡(luò)運營商也為用戶提供了豐富的情緒圖標，方便用戶表達對事物的情緒.因此，表情符號也被視為情緒分類的重要信號.此外，表情符號具有其他詞語所不具備的獨立性，在大多數(shù)話題、領(lǐng)域、時間段中，表情符號所代表的情緒基本保持不變，因此，很多研究者都將表情符號作為其特征中的一個重要組成部分.

Read[82]提出一種基于表情符號的情緒分類方法.該方法從語料庫中抽取指定情緒符號的文本集合，把所得的樣本集作為訓練數(shù)據(jù)來實現(xiàn)情緒分類.該方法在包含金融主題、并購主題以及2個主題混合的數(shù)據(jù)集上進行測試，證明了表情符號特征的主題獨立性，其分類準確率可達70%.

在此基礎(chǔ)上，Zhao等人[83]建立一個基于表情符號與詞袋相結(jié)合的情緒分類系統(tǒng)Moodlens，該系統(tǒng)避免了使用傳統(tǒng)關(guān)鍵字的方法，在1 000多個表情符號中手工選取95個記作E，并將這95個表情符號映射到憤怒、厭惡、開心和悲傷(angry，disgusting，joyful，sadness)4個類別.實驗將收集到的7 000多萬條微博數(shù)據(jù)中所包含E中表情符號的350萬微博作為測試集，記作T.對T中每一條微博，Moodlens將其轉(zhuǎn)化為一個詞序列{wi}，wi是一個詞，i是該詞在T中的位置.

在Moodlens系統(tǒng)中，用簡單的樸素貝葉斯法構(gòu)建分類器，僅需少量的訓練時間即可得到分類結(jié)果.從標記的微博中可以獲得單詞wi屬于情緒類別cj的先驗概率：

(1)

(2)

其中，P(cj)是cj的先驗概率.文獻[83]中使用標準詞袋作為特征，設(shè)置訓練集與總微博數(shù)據(jù)集的比例ft=0.9,P(cj)=0.25，從而得到一個樸素貝葉斯分類器.Moodlens還實現(xiàn)了增量學習的方法，可以解決情緒轉(zhuǎn)變以及新詞的問題.應(yīng)用該系統(tǒng)可以有效地檢測異常事件.最后，通過使用高效的貝葉斯分類器，Moodlens可以實現(xiàn)在線實時情緒監(jiān)控.使用該系統(tǒng)對實時新浪微博數(shù)據(jù)進行測試，其準確率可達64.3%.

此后，Ouyang等人[84]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的情緒分類架構(gòu).該架構(gòu)使用Google word2vec方法從文本中提取詞向量，并將其作為卷積神經(jīng)網(wǎng)絡(luò)的輸入.通過一個基于3對卷積層和池化層的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)對影評語料進行情緒分類.在電影評論語料庫(rottentomatoes.com)的實驗中，將該架構(gòu)與遞歸神經(jīng)網(wǎng)絡(luò)和矩陣向量遞歸神經(jīng)網(wǎng)絡(luò)等其他的神經(jīng)網(wǎng)絡(luò)模型對比，該方案在5類情緒分類任務(wù)中表現(xiàn)良好，準確率達到45.4%.

詞級特征可以將大多數(shù)信息表示成詞向量形式，并且可以較方便地衡量2個詞之間的相似度，在情緒分類任務(wù)中具有難以替代的作用.然而，句子中的詞語并非詞匯的堆砌，不同的句法會帶來完全不同的情緒表達，詞級特征缺乏對文本語料整體上的考慮，在復(fù)雜句式中對情緒的分類并不理想.

隨著深度學習方法的興起，許多研究者開始將其應(yīng)用于文本情緒分析工作中.通過構(gòu)建多隱層的模型，深度學習可以提取更深層的句子級特征，從而提高文本分類的準確率.Santos等人[85]提出一種基于字符到句子的卷積神經(jīng)網(wǎng)絡(luò)情緒分類方法(character to sentence convolutional neural network, CharSCNN)，該方法利用一個含有雙卷積層的神經(jīng)網(wǎng)絡(luò)，從字符、詞和句子級別的信息中分別抽取特征.該方法在斯坦福影評情感樹庫(SSTb)的5種情緒分類任務(wù)中，平均準確率可達48.3%.

此外，部分研究者將遞歸神經(jīng)網(wǎng)絡(luò)也引入到情緒分類的工作中.由于普通的遞歸神經(jīng)網(wǎng)絡(luò)缺乏層級表示能力，Irsoy等人[86]提出了一種基于深度遞歸神經(jīng)網(wǎng)絡(luò)的情緒分類方法.該方法將3個遞歸層疊加，利用非線性遞歸信息構(gòu)成一個樹型結(jié)構(gòu)，遞歸計算每個節(jié)點的貢獻值.該方法在斯坦福情感樹庫(SSTb)上的5種情緒分類任務(wù)中，分類效果略優(yōu)于文獻[85]，平均準確率可達49.8%.

句子級特征在表達整體情緒時的優(yōu)秀表現(xiàn)，引發(fā)了研究者們向更高級情緒特征的思考，一些研究者們開始著手研究篇章級的情緒特征.Kang等人[87]從情緒空間的角度對情緒表達的作用進行了分析.該方法利用在中文情緒語料(Ren-CECPs)中抽取的8種情緒標記：exception，joy，love，surprise，anxiety，sorrow，anger，hate構(gòu)成8維情緒空間.根據(jù)這8種情緒所構(gòu)成的矩陣空間描述情感成分(詞，詞匯)，將這些情緒成分通過內(nèi)積的形式構(gòu)成更高級(句子，篇章)的情緒矩陣，利用SVM對中文語料(Ren-CECPs)進行情緒分類.在中文博客9類情緒分類的實驗中，該方法的F值可達39.24%.

此后，Rao等人[88]提出一種基于主題的篇章級情緒分析方法.該方法通過潛在主題建模、多種情緒標簽和眾多讀者共同標記來生成主題的特征.其中最大熵的過度擬合問題也通過將特征映射到概念空間得到緩解.在實際數(shù)據(jù)集(包括BBC論壇博客、頂客網(wǎng)的博客、MySpace評論、Runners World論壇的博客、Twitter微博以及YouTube的評論)的實驗中，驗證了該方法在長文本和短文本情緒分類上同樣有效，準確率可達86.06%.

另一種情緒分析問題是因為文本語料往往會涉及多個屬性，文本情緒分類可以僅僅看作是多標簽分類任務(wù)中的一個屬性，結(jié)合情緒屬性和其他相關(guān)屬性，可以有效提高情緒分類的準確率.Huang等人[89]提出了一個基于多任務(wù)的情緒分類方法.該方法在按照情緒分類的同時也進行基于主題的分類，對于每個任務(wù)用多個標簽進行訓練，有助于解決類歧義的問題.對真實的Twitter數(shù)據(jù)試驗中，該方法準確率要高于樸素貝葉斯、SVM和最大熵模型，可達到74.4%.

此后，Zhang等人[90]結(jié)合了情緒與社會領(lǐng)域知識2個重要指標，提出了一種基于因子圖算法(factor graph)的情緒分類模型.該方法通過觀察帶注釋的Twitter數(shù)據(jù)集，歸納出影響用戶情緒的2個主要因素：情緒相關(guān)性和社會相關(guān)性.并將這2個因素作為特征，相較于決策樹、SVM和邏輯回歸等基準方法，該方法使用因子圖算法取得了較好的分類效果，準確率可達72%.

總體上，基于有監(jiān)督學習的方法在準確率上優(yōu)于基于詞典和規(guī)則的方法，但對樣本數(shù)據(jù)的質(zhì)量要求較高，需要花費巨大的時間成本和人力成本對語料進行標注，影響了該方法的推廣.

3.2.2 半監(jiān)督學習分類方法

隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)的采集變得比以往任何時候都容易，標記數(shù)據(jù)卻成為了有監(jiān)督學習方法的瓶頸，半監(jiān)督學習方法可以充分利用大量的未標記樣本改善分類器性能，在情緒分類任務(wù)中扮演著重要的角色，研究者們對此開展了大量研究.

半監(jiān)督學習方法主要利用少量標記數(shù)據(jù)對訓練樣本進行初始化，Sun等人[91]將表情符號與一元特征、二元特征結(jié)合起來，提出了一種面向中文微博的半監(jiān)督情緒分類方法.該方法利用表情符號對未標記數(shù)據(jù)進行初始化，將語句中所含表情符號最多的一類標記為該語句的情緒標簽;再通過提取語句中詞語的一元特征與二元特征，用SVM與樸素貝葉斯分類器將微博中表達的情緒分為7種類別：樂、喜、悲、怒、恐、惡、驚.實驗表明情緒自動標記的準確率可達到88.7%，情緒分類中樸素貝葉斯分類器要優(yōu)于SVM，其精準率和召回率都超過71%.

此后，Sintsova等人[92]提出一種基于多項貝葉斯的半監(jiān)督情緒分類方法.該方法首先將根據(jù)情緒詞典將未標記的數(shù)據(jù)分為36個情緒類別，并根據(jù)每個文本中選出的最突出標簽對標注進行改進;然后從文本中抽取n-grams特征并過濾無關(guān)信息;最后利用重新平衡的偽標記數(shù)據(jù)和多項貝葉斯分類器對微博語料進行分類.該方法在Twitter語料庫的實驗中F1值可達到20.2%.

另一部分研究者將半監(jiān)督學習與Ekman，Plutchik等情緒分類體系相結(jié)合，利用心理學情緒分類知識對訓練樣本進行初始化.Purver等人[93]提出一種半監(jiān)督學習與Ekman分類體系相結(jié)合的情緒分類方法.該方法采用少量人工選取的標簽(hashtag)和情感符(emoticon)來自動標注微博情緒，以省去大量手工標注語料的過程.在Twitter語料的實驗中，利用hashtag分類的準確率可達67.4%以上，利用emoticon分類的準確率可達75.2%以上.然而，該方法對恐懼、驚訝和憎惡(fear，surprise，disgust)3類情緒的區(qū)分度不高，因為訓練語料中標簽和情感符的意思含糊，對區(qū)分情緒起到了干擾.

在此基礎(chǔ)上，Suttles等人[94]也提出了一種基于離散二進制半監(jiān)督學習的情緒分類方法.與文獻[93]的研究不同，該方法根據(jù)Plutchik的情緒輪進行情緒分類，把固有的多層次情緒分類問題轉(zhuǎn)換成一個含有4組對立情感的二進制問題，選取情感符號(emoticon)、標簽以及表情符(emoji)作為參考進行人工標記.該方法首先提取不同類型的特定標簽，并將表示相同情緒類別的標簽進行歸類，然后對比每個獨立的二元分類器的準確性.在Twitter微博數(shù)據(jù)測試中，該方法的分類準確率最高可達91%.

此后，Jiang等人[95]提出一種基于表情符號空間模型(emoticon space model)的半監(jiān)督情緒分類方法，該方法利用表情符號從未標記的數(shù)據(jù)中構(gòu)建詞向量，通過將詞和微博映射到表情符號空間來確定微博的主觀性、極性和情緒.在中文微博基準語料庫(NLP&&CC 2013)實驗中，該方法的情緒分類準確率優(yōu)于SVM及樸素貝葉斯，可達61.7%.

在文本情緒分類任務(wù)中，有很多情況下需要對讀者評論中的情緒進行分析，而讀者評論又與源文本之間存在緊密的聯(lián)系.針對該現(xiàn)象，Li等人[96]提出一種基于雙視圖標簽傳播的半監(jiān)督方法，對讀者評論中的情緒進行分類.該方法先通過詞袋、二元特征提取文本中的情緒信息，再通過雙視圖提取文本之間的對應(yīng)關(guān)系.雙視圖依賴于2個圖關(guān)系：包括源文本之間的關(guān)系以及評論文本之間的關(guān)系.此外還將源文本與相應(yīng)評論文本之間的依賴關(guān)系集成到這2個圖中.最后在源文本和評論文本之間配置一個權(quán)重以處理評論文本中信息的不足.該方法在Yahoo Kimo News語料的情緒分類實驗中，準確率可達74.5%.

該類方法的優(yōu)點在于可以較方便地獲得大量的標記數(shù)據(jù)用以訓練樣本集，解決了有標記數(shù)據(jù)集稀缺的問題.然而，該類在第1次分類過程中分錯的樣本，會影響到第2次分類的準確率.

3.3 復(fù)合情緒分類方法

由于前2種分類方法的優(yōu)缺點都很明顯，一些研究者開始考慮綜合2種方法，吸取各自方法的優(yōu)點.這些復(fù)合分類方法主要分為2類，其中一類是將情緒分類任務(wù)分解成有無情緒、正負情感、細粒度情緒等子任務(wù)，再分別針對不同子任務(wù)設(shè)計不同算法的層次情緒分類方法.

情緒分類中，類別之間不是互相獨立的，它們之間有一定層次關(guān)系.基于層次結(jié)構(gòu)的復(fù)合方法就是利用這種層次關(guān)系，提高情緒分類的準確率.Ghazi等人[97]提出一種基于層次情緒分類的方法，該方法包含3層結(jié)構(gòu)：1)第1層定義文本是否包含情感;2)第2層對第1層中有情感的文本進行正負劃分;3)第3層將第2層的正類劃為happiness，負類細化為sadness，fear，anger，disgust，surprise.該方法有助于粗粒度到細粒度的分類，在格林童話上分類的準確率可達60%以上.

在此基礎(chǔ)上，Esmin等人[98]提出一種面向短文本的層次情緒分類方法.該方法仍將第1層用來確定文本是否含有情緒;第2層對上一層有情緒的文本做極性分類，其中僅happiness是正類;第3層將負類分為sadness，fear，surprise，disgust，anger，最終利用Multiclass SVM分類器對微博語料進行分析.在Twitter語料庫的情緒分類實驗中，該方法的平均準確率達63.2%.

此后，Xu等人[99]也用層級分類法對中文微博進行了情緒分類，同時還將主成分分析法引入到情緒分類中，計算微博中主要情緒的比例.該方法采用4層結(jié)構(gòu)，將情緒細分為19種類別.在新浪微博數(shù)據(jù)上進行了4層實驗，其中第1層只采用平面型文本分類；第2層與第1層不同，采取了層級分類；第3層在第2層的基礎(chǔ)上加入了詞性特征；第4層在第3層的基礎(chǔ)上還加入了心理學情緒詞典.通過第1層對文本是否有情感信息的分類和第2層正、負情感的分類，將無關(guān)的文本剔除，使后續(xù)分類工作更加容易.在層級分類的實驗中，第3層的分類準確率可以達到90%左右，其4層層級結(jié)構(gòu)如圖5所示:

Fig. 5 Four-level hierarchy圖5 4層層級結(jié)構(gòu)

由于微博語料通常是隱式的、不平衡的，為解決該問題，Zhang等人[100]提出了一種基于主題模型的層級情緒分類法.該方法先對微博語料進行去除無關(guān)信息的預(yù)處理；然后根據(jù)主題模型進行特征選擇，用選出的特征詞和情緒詞典構(gòu)成(情緒，情緒指示)關(guān)聯(lián)，識別隱含的情緒；最后構(gòu)造一個樹結(jié)構(gòu)的層級分類器對微博進行分類.該方法在新浪微博語料庫的情緒分類實驗中，F(xiàn)值可達70%.

該類通過將情緒分類任務(wù)分解成較為有無情感檢測、情感分類、細粒度情緒等子任務(wù)，利用更為成熟的主客觀檢測、情感分類的技術(shù)對樣本進行預(yù)分類，從而降低情緒分類的難度.

另一類基于子類的復(fù)合方法是將語料庫先分為更細致的子類，再利用分好的子類對樣本進行分析，從而獲得最終的情緒分類.Keshtkar等人[101]也提出了一種基于層次的心情分類方法.該方法對博客的心情進行分類，總共分為132類，但是情緒與心情有所區(qū)別，情緒持續(xù)的時間比心情的要短，二者之間的層次結(jié)構(gòu)和分類任務(wù)并不相同.此后，劉寶芹等人[102]在文獻[101]的基礎(chǔ)上，根據(jù)Ekman的6類情緒理論中情感極性與情緒間的相互關(guān)系，為6類情緒建立了3層樹狀結(jié)構(gòu)，并利用該結(jié)構(gòu)對不同話題微博的情緒進行自動分析.在新浪微博的情緒分類實驗中，該方法比傳統(tǒng)的貝葉斯方法情緒識別精度更高，同時還降低了情緒數(shù)據(jù)分布不均衡對結(jié)果的影響，該方法在6種情緒分類任務(wù)中，平均精準率可達70.6%.

此后，歐陽純萍等人[103]提出一種基于情緒詞匯本體的多種有監(jiān)督學習復(fù)合方法.該方法使用樸素貝葉斯算法對微博是否有情緒進行預(yù)分類，并根據(jù)分類結(jié)果對情緒進行精確分析.該方法首先將情感詞匯本體庫的7種類別細分為21小類(快樂、安心、尊敬等)，并把這21小類作為每條微博的最終特征，分別采用SVM和kNN(k-nearest neighbors)算法對預(yù)分類后的新浪微博數(shù)據(jù)集進行細粒度情緒分類.在2013年CCF自然語言處理與中文計算機會議的中文微博情緒分析評測任務(wù)中，該方法相較于單純使用SVM和kNN分類器，其F值提高近11%，其對情緒判別的準確率可達72.71%，表現(xiàn)優(yōu)于單一分類算法.

歸納上述3類方法，主要是針對極性或單一情緒標簽分類，忽略了情緒標簽在實例中多情緒共存的情況.因此，情緒分析與傳統(tǒng)的情感分析相比，從另一個維度還可以看作是一個多標簽情緒分類問題.

3.4 其他情緒分類方法

傳統(tǒng)的情緒分析方法很少認為一個文本可以同時表達多種情緒，而事實中一條語料可能出現(xiàn)有多種情緒共存的情況.為了更準確地把握文本中所表達的情緒信息，研究者們從另一個新的維度出發(fā)，開展了基于多標簽情緒分類的研究.

Yang等人[104]提出了一種多標簽情緒分類方法.該方法利用表情符號、標點符號和小型詞典對數(shù)據(jù)進行標記，再用多標簽情緒分類(multi-label emotion classification, MEC)算法對微博進行分類.MEC算法同時考慮文本級和詞級信息，先用kNN收集特定微博的情緒信息，再利用樸素貝葉斯計算微博在詞語層面屬于任何一個情緒類別的概率，最后設(shè)置一個閾值抽取微博的情緒標簽.準確率最高83.6%.

此后，Buitinck等人[105]提出了一種面向影評的多標簽情緒檢測系統(tǒng).該方法先通過詞袋和篇章特征將句子標記為預(yù)設(shè)情緒標簽集的一個子集，然后分別用one-vs.-rest SVM和RAKEL方法對文本進行分類.在IMDB影評數(shù)據(jù)集的實驗中，RAKEL分類器的表現(xiàn)最好，因為多標簽分類相較于單標簽分類器，分類規(guī)則更加復(fù)雜，評價標準除準確率外，常用的指標還有漢明損失(hamming loss,HL)、平均精度(average precision,AP)、1-錯誤率(one error,OE)等，其平均準確率可達84.1%，HL為11.2%，AP為89.8%，OE為24.6%.

在此基礎(chǔ)上，Liu等人[106]提出了一種基于多標簽的情緒分類方法.該方法利用DUTSD，NTUSD，Hownet這3個情緒詞典提取微博語料中的情緒特征和原始分割詞特征，通過與MLkNN (multi-labelk-nearest neighbors)，BRkNN (binary relevancek-nearest neighbors)等使用kNN算法的基準方法做對比，發(fā)現(xiàn)CLR (calibrated label ranking)分類效果最好，其平均準確率可達65.5%，HL為16.7%，AP為76.6%，OE為37.3%.

因為一個句子可能包含多種不同強度的情緒，有些情緒可以共存，而有些則不會同時出現(xiàn).根據(jù)這一特性，一些研究者在多標簽情緒分析工作中加入了情緒強度分布的要素.Wang等人[107]提出了一種多標簽情緒分類方法.該方法利用skip-gram語言模型訓練詞匯情緒的分布式表達，將微博語句降維成詞向量，并將二者作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，最終使用基于CLR的多標簽學習方法獲得每條微博的最終情緒標簽排序，其流程如圖6所示:

Fig. 6 Multi-label emotion classification based on CLR圖6 基于CLR的多標簽情緒分類方法

該方法在NLPCC 2014情緒分析語料EACWT和Ren-CECPs語料的實驗中，平均準確率分別為75.56%和63.20%，HL分別為19.58%和31.64%，AP分別為75.56%和63.2%，OE為26.28%和43.52%.

針對現(xiàn)有語料庫中情緒類別不平衡的特征，Li等人[108]提出了一種基于最大熵(multi-label maxi-mum entropy, MME)短文本情緒分布檢測方法.該方法利用最大熵原理估計詞與社會情緒之間的關(guān)系，為了提高在新聞、微博等多種規(guī)模語料庫中的預(yù)測能力，引入了L-BFGS算法來緩解約束.該方法在Semeval，SSTweet，ISEAR這3個語料庫上的F1值分別為36.96%，90.30%，54.86%.

在此基礎(chǔ)上，Zhou等人[109]提出一種基于情緒分布學習的分類方法.該方法設(shè)計了一個從句子到情緒分布的映射函數(shù)，用以描述多重情緒和它們各自的強度，并引入Plutchik情緒輪理論以提高情緒檢測的準確率.該方法在中文博客Ren-CECPs語料庫的實驗中，其平均準確率可達66.54%，HL為17.72%，AP為64.10%，OE為52.39%.

由于篇章級語料上下文信息對情緒分布有著很大的影響，Xu等人[110]提出一種迭代多標記的情緒分布檢測方法，該方法利用句子內(nèi)部特征(intra-sentence features)對句子進行初始分類，結(jié)合上下文信息，根據(jù)初始分類結(jié)果與整篇微博情緒類別的轉(zhuǎn)移概率，綜合考慮轉(zhuǎn)移概率、ML-kNN和隨機多標簽RAKEL(randomk-labelsets)這3種多標簽分類器的分類結(jié)果，最終獲得該微博的情緒分布.在中文微博情緒分類數(shù)據(jù)集(包含14 000條微博、45 431個句子)的實驗中，對7種情緒happiness，like，anger，sadness，fear，disgust，surprise分類的平均準確率可達83.26%.

雖然基于多情緒標簽的分類方法的復(fù)雜性和難度都比較高，且該研究方向才剛剛起步，但其應(yīng)用前景較好，將會成為一個新的研究熱點.表2對4種主流的情緒分類方法進行了概括和對比分析.

Table 2 Comparison of Emotion Analysis Methods

Table 2 (Continued)

4 研究展望

目前針對文本情緒分析的研究已經(jīng)取得了一定的成果，但該研究領(lǐng)域還處于一個相對年輕的階段.文本情緒分析技術(shù)在理論和應(yīng)用上都還存在一些挑戰(zhàn)以及新的方向需要進一步研究探討.

4.1 面臨的挑戰(zhàn)

當前文本情緒分析研究面臨來自多方面的挑戰(zhàn)，主要包括：數(shù)據(jù)稀缺性，無論是情緒訓練語料還是情緒詞典資源，都處于比較匱乏的階段；類別不平衡，收集到的樣本中情緒各類別的數(shù)量明顯存在差異；領(lǐng)域依賴性，情緒詞在不同領(lǐng)域的表達存在差異；語言不平衡，當前大多數(shù)工作都基于英文語料，語言遷移存在困難.

1) 數(shù)據(jù)稀缺性

文本情緒分析主要包括基于情緒詞典和規(guī)則的方法、基于機器學習的方法.然而，無論是哪種方法，數(shù)據(jù)都很稀缺.在基于詞典的方法中，情緒詞典很難獲取資源，目前尚無公開的情緒詞典可用.此外，即使有開源的情緒詞典，由于網(wǎng)絡(luò)新詞層出不窮，需要不斷對情緒詞典進行擴充和更新；在基于機器學習的方法中，需要借助有情緒標注的語料庫來提取特征并訓練情緒分類器.然而情緒標注語料本身也是稀缺資源，由于不同領(lǐng)域的情緒表達有不同特點，通用的情緒訓練語料無法滿足不同領(lǐng)域研究的需求.

2) 類別不平衡

情感分析的工作已經(jīng)開展很多年，目前大多數(shù)工作都假設(shè)正負樣本是均衡的.情緒分析是在情感分析的基礎(chǔ)上進行更細粒度的分類.然而，不同情緒的數(shù)據(jù)集規(guī)模往往不均衡，在實際收集的微博語料中，一些情緒類別的語料數(shù)量明顯多于另一些類別，例如表達喜歡的語料明顯多于表達害怕的.所以，適用于均衡分類的方法在面對不均衡數(shù)據(jù)時效果往往并不理想.樣本數(shù)據(jù)的不平衡分布會使機器學習方法在進行分類時嚴重偏向于樣本多的類別，從而影響到分類的性能.

3) 領(lǐng)域依賴性

同一個詞在不同的領(lǐng)域背景下表達著不同的情緒，例如“不可預(yù)測”在電影評論領(lǐng)域是褒義的，在汽車評論領(lǐng)域則是貶義的.因此，在進行情緒分析時，應(yīng)該充分考慮情緒詞的領(lǐng)域依賴性.跨領(lǐng)域情緒分析是文本情緒分析的一個重要研究課題，跨領(lǐng)域情緒分析有很多問題需要解決.例如，在一個領(lǐng)域的意見表達，在另一個領(lǐng)域可能反轉(zhuǎn).此外，還應(yīng)該考慮不同領(lǐng)域情緒詞匯的差異.

4) 語言不平衡

現(xiàn)有情緒分析工作大多基于英文[111]，雖然近些年對中文的情緒分析也有了一定的研究成果[83]，但是基于情緒詞典或語義知識庫的工作都需依賴特定語種的外部資源，基于英文的情緒分析研究很難遷移到其他語言.此外，由于非英語的情緒分析訓練集和測試集也相對匱乏，極大限制了非英語語種的情緒分析研究.

4.2 未來研究方向

當不同媒體、不同形態(tài)的情緒信息“融合”在一起，會隨之產(chǎn)生“質(zhì)變”.與此同時，領(lǐng)域自適應(yīng)、社交網(wǎng)絡(luò)分析和深度學習等技術(shù)的發(fā)展，也給文本情緒分析研究指出了新的研究方向.從技術(shù)的發(fā)展趨勢分析看，未來文本情緒分析的研究還需要關(guān)注如下4個方面.

1) 基于多媒體融合的情緒分析

傳統(tǒng)的情緒分析主要關(guān)注文本，然而圖片等多媒體通?？梢员任谋颈磉_更明顯的情緒效果，即所謂的“一圖勝千言”.此外，另一種情緒信息表達的主要載體——語音,也可以很好地反映用戶的當前情緒狀態(tài).因此，隨著圖像、音頻等不同類型社交網(wǎng)絡(luò)數(shù)據(jù)的不斷增長，各種類型的用戶數(shù)據(jù)相結(jié)合的研究將具有更好的應(yīng)用前景.

2) 基于領(lǐng)域自適應(yīng)的情緒分析

領(lǐng)域自適應(yīng)技術(shù)可以利用信息豐富的源域資源提升目標或模型的性能.傳統(tǒng)情緒分析方法為了克服情緒詞本身具有的領(lǐng)域依賴性，刻意選擇領(lǐng)域無關(guān)的特征，如表情符號.而領(lǐng)域自適應(yīng)的方法可以充分利用情緒詞在不同領(lǐng)域所表達的不同情緒，準確、快速地識別文本情緒.因此，隨著不同領(lǐng)域情緒語料資源的積累，基于領(lǐng)域自適應(yīng)的情緒分析將逐漸成為一個新的研究熱點.

3) 基于社交網(wǎng)絡(luò)分析的情緒分析

社交網(wǎng)絡(luò)的迅猛發(fā)展，產(chǎn)生了大量的用戶交互數(shù)據(jù)，這些數(shù)據(jù)反應(yīng)了用戶的思想、情緒及社交關(guān)系.通過結(jié)合社交網(wǎng)絡(luò)的關(guān)系分析技術(shù)，可以了解不同的社會群體是如何表達情緒以及情緒傾向.因此，研究基于社交網(wǎng)絡(luò)分析的情緒分析技術(shù)可以更好地掌握大眾情緒走向，為輿情分析、情緒管理等應(yīng)用提供支撐.

4) 基于深層語義的情緒分析

深度學習作為機器學習研究中的一個新領(lǐng)域，取得了很大的進展.在自然語言處理的各項任務(wù)中，深度學習也有著許多可喜的成果.隨著計算能力不斷提高、數(shù)據(jù)量不斷增加，可以預(yù)測未來將涌現(xiàn)出更多優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型.該類方法將在自動抽取情緒特征、減少人工標記工作等方面做出巨大貢獻.另外，在深度學習算法中加入一定的策略，可以更好地學習詞匯和句子的語義表達，從而實現(xiàn)理解句子以及整個文檔的任務(wù).

在此基礎(chǔ)上，隨著互聯(lián)網(wǎng)+時代的到來，涌現(xiàn)出大數(shù)據(jù)分析、特定主題挖掘、用戶畫像構(gòu)建和多語言協(xié)同等眾多新的應(yīng)用需求，也給文本情緒分析帶來了新的機遇.

1) 面向大數(shù)據(jù)的文本情緒分析

大數(shù)據(jù)技術(shù)的發(fā)展使數(shù)據(jù)的收集變得非常容易且成本低廉，對海量的信息數(shù)據(jù)進行挖掘，可以獲得巨大的產(chǎn)品或服務(wù)價值.然而收集的數(shù)據(jù)大多以非結(jié)構(gòu)化文本形式存儲，在對文本數(shù)據(jù)進行情緒分析時，傳統(tǒng)的概率潛在語義分析方法的時間復(fù)雜度和空間復(fù)雜度較高，難以滿足訓練大規(guī)模數(shù)據(jù)的需求，需要提出面向大數(shù)據(jù)的文本情緒分析方法.

2) 面向特定主題的情緒分析

由于情緒表達在不同主題下有所不同，無論是采用有監(jiān)督還是無監(jiān)督的學習方法，情緒分析的準確率在一定程度上受主題的影響.同樣的短語在不同的主題下，其語言規(guī)則、詞庫判斷標準都存在不同.現(xiàn)有針對主題差異的研究工作，在實際應(yīng)用中仍存在不少問題.例如，當主題差別過大時，分析性能會明顯下降，需要對跨主題情緒分析的算法和相關(guān)問題開展進一步研究.

3) 面向個性化的情緒分析

隨著互聯(lián)網(wǎng)+時代的到來，用戶對各類應(yīng)用都提出了個性化的需求，而情緒是一種高度主觀的用戶行為特征，同樣的情緒詞匯根據(jù)不同的用戶歷史情緒變化也會產(chǎn)生不同的情緒含義及強度.因此，通過觀察用戶情緒變化曲線，為不同的用戶構(gòu)建情緒畫像，從而實現(xiàn)利用有限的信息對用戶情緒進行個性化精準分析.

4) 面向多語言的情緒分析

隨著文化交流的增加，多種語言的網(wǎng)絡(luò)信息相互影響與融合.現(xiàn)有工作主要針對單一語言，而在單一語言情緒分析中所收集到的語料資源與成果，無法在多語言的環(huán)境中直接使用；此外，不同語言情緒分析的語料資源也存在不均衡性，難以在跨語言的環(huán)境中直接使用.在解決情緒分析任務(wù)的基本問題外，還需要考慮機器翻譯、多語言文本處理等工作，這都對多語言情緒分析提出了新的需求.

5 總 結(jié)

本文對文本情緒分析研究進行了綜述，概括了情緒分類的心理學模型和情緒分析的應(yīng)用場景，重點對主流的情感/情緒分析方法進行了介紹和對比，最后總結(jié)了現(xiàn)有工作主要存在的問題，并對將來的研究工作進行了展望.

文本情緒分析作為自然語言處理和文本挖掘中一個新興的研究方向，有著很廣泛的應(yīng)用前景.情感分析的研究已經(jīng)比較成熟，而情緒分析的研究尚處于起步階段，且國內(nèi)研究較少.

可以預(yù)見，在未來的文本挖掘研究中，將會涌現(xiàn)大量情緒分析的相關(guān)工作.

[1] Lin Chuanding. Emotional problems in socialist psychology[J]. Science of Social Psychology, 2006, 21(83): 37-62 (in Chinese)

(林傳鼎. 社會主義心理學中的情緒問題[J]. 社會心理科學, 2006, 21(83): 37-62)

[2] Ekman P. An argument for basic emotions[J]. Cognition and Emotion, 1992, 6(3/4): 169-200

[3] Plutchik R. The nature of emotions[J]. Philosophical Studies, 2001, 89(4): 393-409

[4] Egges A, Kshirsagar S, Magnenat-Thalmann N. A model for personality and emotion simulation[C] //Proc of the 7th Int Conf on Knowledge-Based and Intelligent Information and Engineering Systems. Berlin: Springer, 2003: 453-461

[5] Zhao Jichun, Wang Zhiliang, Wang Chao. Study on emotion model building and virtual feeling robot[J]. Computer Engineering, 2007, 33(1): 212-215 (in Chinese)

(趙積春, 王志良, 王超. 情緒建模與情感虛擬人研究[J]. 計算機工程, 2007, 33(1): 212-215)

[6] Ortony A, Clore G, Collins A. The cognitive structure of emotions[J]. The Quarterly Review of Biology, 1990, 18(65): 2147-2153

[7] Parrott W G. Emotions in Social Psychology: Essential Readings[M]. Oxford, UK: Psychology Press, 2001

[8] Zhao Yanyan, Qin Bing, Liu Ting. Sentiment analysis[J]. Journal of Software, 2010, 21(8): 1834-1848 (in Chinese)

(趙妍妍, 秦兵, 劉挺. 文本情感分析[J]. 軟件學報, 2010, 21(8): 1834-1848)

[9] Hao Yazhou, Zheng Qinghua, Chen Yanping, et al. Recognition of abnormal behavior based on data of public opinion on the Web[J]. Journal of Computer Research and Development, 2016, 53(3): 611-620 (in Chinese)

(郝亞洲, 鄭慶華, 陳艷平, 等. 面向網(wǎng)絡(luò)輿情數(shù)據(jù)的異常行為識別[J]. 計算機研究與發(fā)展, 2016, 53(3): 611-620)

[10] Mishne G. Experiments with mood classification in blog posts[C] //Proc of the 28th ACM SIGIR Workshop on Stylistic Analysis of Text for Information Access. New York: ACM, 2005: 321-327

[11] Mohammad S. From once upon a time to happily ever after: Tracking emotions in novels and fairy tales[C] //Proc of the 5th Workshop on Language Technology for Cultural Heritage, Social Sciences, and Humanities. Stroudsburg, PA: ACL, 2011: 105-114

[12] Bollen J, Mao H, Zeng X. Twitter mood predicts the stock market[J]. Journal of Computational Science, 2011, 2(1): 1-8

[13] Devitt A, Ahmad K. Sentiment polarity identification in financial news: A cohesion-based approach[C] //Proc of the 45th Association of Computational Linguistics. Stroudsburg, PA: ACL, 2007: 25-27

[14] Tumasjan A, Sprenger T O, Sandner P G, et al. Predicting elections with Twitter: What 140 characters reveal about political sentiment[C] //Proc of the 4th Int AAAI Conf on Weblogs and Social Media. Menlo Park, CA: AAAI, 2010: 178-185

[15] Kim S M, Hovy E H. Crystal: Analyzing predictive opinions on the Web[C] //Proc of the 4th Joint Conf on Empirical Methods in Natural Language Processing and Computational Natural Language Learning. Stroudsburg, PA: ACL, 2007: 1056-1064

[16] Ceron A, Curini L, Iacus S M, et al. Every tweet counts? How sentiment analysis of social media can improve our knowledge of citizens’ political preferences with an application to Italy and France[J]. New Media and Society, 2014, 16(2): 340-358

[17] Golder S A, Macy M W. Diurnal and seasonal mood vary with work, sleep, and daylength across diverse cultures[J]. Science, 2011, 333(6051): 1878-1881

[18] Kim S, Lee J, Lebanon G, et al. Estimating temporal dynamics of human emotions[C] //Proc of the 29th Int AAAI Conf on Artificial Intelligence. Menlo Park, CA: AAAI, 2015: 168-174

[19] Zhou Xinjie, Wan Xiaojun, Xiao Jianguo. Collective opinion target extraction in Chinese microblogs[C] //Proc of the 10th Conf on Empirical Methods on Natural Language Processing. Stroudsburg, PA: ACL, 2013: 1840-1850

[20] Huang Xuanjing, Zhang Qi, Wu Yuanbin. A survey on sentiment analysis[J]. Journal of Chinese Information Processing, 2011, 25(6): 118-127 (in Chinese)

(黃萱菁, 張奇, 吳苑斌. 文本情感傾向分析[J]. 中文信息學報, 2011, 25(6): 118-127)

[21] Kim S M, Hovy E. Extracting opinions, opinion holders, and topics expressed in online news media text[C] //Proc of the 44th Workshop on Sentiment and Subjectivity in Text. Stroudsburg, PA: ACL, 2006: 1-8

[22] Carstens L, Toni F. Enhancing sentiment extraction from text by means of arguments[C] //Proc of the 2nd Int Workshop on Issues of Sentiment Discovery and Opinion Mining. New York: ACM, 2013: 1-9

[23] Eirinaki M, Pisal S, Singh J. Feature-based opinion mining and ranking[J]. Journal of Computer and System Sciences, 2012, 78(4): 1175-1184

[24] Yu Long, Duan Xiangchao, Tian Shengwei, et al. Topic extraction based on product reviews[J]. Journal of Computational Information Systems, 2013, 9(2): 773-780

[25] Dai Min, Wang Rongyang, Li Shoushan, et al. Opinion target extraction with syntactic features[J]. Journal of Chinese Information Processing , 2014, 28(4): 92-97 (in Chinese)

(戴敏, 王榮洋, 李壽山, 等. 基于句法特征的評價對象抽取方法研究[J]. 中文信息學報, 2014, 28(4): 92-97)

[26] Song Hui, Shi Nansheng. Comment object extraction based on pattern matching and semi-supervised learning[J]. Computer Engineering, 2013, 39(10): 221-226 (in Chinese)

(宋暉, 史南勝. 基于模式匹配與半監(jiān)督學習的評價對象抽取[J]. 計算機工程, 2013, 39(10): 221-226)

[27] Ren Bin, Che Wanxiang, Liu Ting. Dependency parsing-based social media text mining—A case study in analysis of weibo users’ eating habits[J]. Journal of Chinese Information Processing, 2014, 28(6): 208-215 (in Chinese)

(任彬, 車萬翔, 劉挺. 基于依存句法分析的社會媒體文本挖掘方法——以飲食習慣特色分析為例[J]. 中文信息學報, 2014, 28(6): 208-215)

[28] Tao Xinzhu, Zhao Peng, Liu Tao. Extraction of evaluation collection of merging kernel sentence and dependency relation[J]. Computer Technology and Development, 2014, 24(1): 118-121 (in Chinese)

(陶新竹, 趙鵬, 劉濤. 融合核心句與依存關(guān)系的評價搭配抽取[J]. 計算機技術(shù)與發(fā)展, 2014, 24(1): 118-121)

[29] Li Gang, Liu Fei. Application of a clustering method on sentiment analysis[J]. Journal of Information Science, 2012, 38(2): 127-139

[30] Wang Changhou, Wang Fei. Extracting sentiment words using pattern based Bootstrapping method[J]. Computer Engineering and Applications, 2014, 50(1): 127-129 (in Chinese)

(王昌厚, 王菲. 使用基于模式的Bootstrapping方法抽取情感詞[J]. 計算機工程與應(yīng)用, 2014, 50(1): 127-129)

[31] Paltoglou G, Thelwall M. Twitter, MySpace, Digg: Unsupervised sentiment analysis in social media[J]. ACM Trans on Intelligent Systems and Technology, 2012, 3(4): 67-83

[32] Qiu Guang, He Xiaofei, Zhang Feng, et al. DASA: Dissatisfaction-oriented advertising based on sentiment analysis[J]. Expert Systems with Applications, 2010, 37(9): 6182-6191

[33] Jiang Long, Yu Mo, Zhou Ming, et al. Target-dependent Twitter sentiment classification[C] //Proc of the 49th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2011: 151-160

[34] Wan Xiaojun. Using bilingual knowledge and ensemble techniques for unsupervised Chinese sentiment analysis[C] //Proc of the 4th Conf on Empirical Methods in Natural Language Processing. Stroudsburg, PA: ACL, 2008: 553-561

[35] Wei Bin, Pal C. Cross Lingual adaptation: An experiment on sentiment classifications[C] //Proc of the 48th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2010: 258-262

[36] Turney P. Thumbs up or thumbs down?: Semantic orientation applied to unsupervised classification of reviews[C] //Proc of the 40th Annual Meeting on Association for Computational Linguistics. New York: ACM, 2002: 417-424

[37] Zagibalov T, Carroll J. Automatic seed word selection for unsupervised sentiment classification of Chinese text[C] //Proc of the 22nd Int Conf on Computational Linguistics, Vol 1. New York: ACM, 2008: 1073-1080

[38] Jo Y, Oh A. Aspect and sentiment unification model for online review analysis[C] //Proc of the 4th Int Conf on Web Search and Web Data Mining. New York: ACM, 2011: 815-824

[39] Thomas H. Probabilistic latent semantic analysis[J]. Computer Science, 2015, 25(4): 289-296

[40] Blei D, Ng A, Jordan M. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022

[41] Hoffman M, Bach F, Blei D. Online learning for latent Dirichlet allocation[C] //Proc of the 24th Conf on Neural Information Processing Systems. Cambridge, MA: MIT Press, 2010: 856-864

[42] Pang Bo, Lee L, Vaithyanathan S. Thumbs up?: Sentiment classification using machine learning techniques[C] //Proc of the 40th Association for Computational Linguistics Conf on Empirical Methods in Natural Language Processing. Stroudsburg, PA: ACL, 2002: 79-86

[43] Dong Li, Wei Furu, Tan Chuanqi, et al. Adaptive recursive neural network for target-dependent Twitter sentiment classification[C] //Proc of the 52nd Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2014: 49-54

[44] Tang Duyu, Wei Furu, Qin Bing, et al. Coooolll: A deep learning system for Twitter sentiment classification[C] //Proc of the 8th Int Workshop on Semantic Evaluation. Stroudsburg, PA: ACL, 2014: 208-212

[45] Tan Songbo, Cheng Xueqi, Wang Yuefen, et al. Adapting Naive Bayes to domain adaptation for sentiment analysis[C] //Proc of the 31st European Conf on IR Research. Berlin: Springer, 2009: 337-349

[46] Ortigosa H, Rodríguez J, Alzate L, et al. Approaching sentiment analysis by using semi-supervised learning of multi-dimensional classifiers[J]. Neurocomputing, 2012, 92(3): 98-115

[47] Socher R, Pennington J, Huang E H, et al. Semi-supervised recursive autoencoders for predicting sentiment distributions[C] //Proc of the 8th Conf on Empirical Methods in Natural Language Processing. Stroudsburg, PA: ACL, 2011: 151-161

[48] Zhou Shusen, Chen Qingcai, Wang Xiaolong. Fuzzy deep belief networks for semi-supervised sentiment classification[J]. Neurocomputing, 2014, 131(9): 312-322

[49] He Xiaonan, Zhang Hui, Chao Wenhan, et al. Semi-supervised learning on cross-lingual sentiment analysis with space transfer[C] //Proc of the 2nd Big Data Computing Service and Applications. Piscataway, NJ: IEEE, 2015: 371-377

[50] Santos C, Gattit M. Deep convolutional neural networks for sentiment analysis of short texts[C] //Proc of the 25th Int Conf on Computational Linguistics. New York: ACM, 2014: 69-78

[51] Socher R, Perelygin A, Wu J, et al Recursive deep models for semantic compositionality over a sentiment treebank[C] //Proc of the 10th Conf on Empirical Methods in Natural Language Processing. Stroudsburg, PA: ACL, 2013: 1631-1642

[52] Dong Li, Wei Furu, Zhou Ming, et al. Adaptive multi-compositionality for recursive neural models with applications to sentiment analysis[C] //Proc of the 28th AAAI Conf on Artificial Intelligence. Menlo Park, CA: AAAI, 2014: 1537-1543

[53] Le Quoc V, Mikolov T. Distributed representations of sentences and documents[J]. Computer Science, 2014, 4: 1188-1196

[54] Saif H, He Yulan, Alani H. Semantic sentiment analysis of Twitter[C] //Proc of the 11th Int Semantic Web Conf. Berlin: Springer, 2012: 508-524

[55] He Yunchao, Yang Chinsheng, Yu Liangchih, et al. Sentiment classification of short texts based on semantic clustering[C] //Proc of the 2nd Int Conf on Orange Technologies. Piscataway, NJ: IEEE, 2015: 54-57

[56] Saif H, He Yulan, Fernandez M, et al. Semantic patterns for sentiment analysis of Twitter[C] //Proc of the 13th Int Semantic Web Conf. Berlin: Springer, 2014: 324-340

[57] Hassan S , He Y, Alani H. Alleviating data sparsity for Twitter sentiment analysis[C] //Proc of the 2nd Workshop on Making Sense of Microposts. New York: ACM, 2012: 2-9

[58] Mass A L, Daly R E, Pham P T, et al. Learning word vectors for sentiment analysis[C] //Proc of the 49th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2011: 142-150

[59] Dahl G, Adams R, Larochelle H. Training restricted boltzmann machines on word observations[C] //Proc of the 29th Int Conf on Machine Learning. New York: ACM, 2012: 679-686

[60] Wang Sida, Manning C. Baselines and bigrams: Simple, good sentiment and text classification[C] //Proc of the 50th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2012: 90-94

[61] Brychcin T, Habernal I. Unsupervised improving of sentiment analysis using global target context[C] //Proc of the 11th Int Conf Recent Advances in Natural Language Processing. Stroudsburg, PA: ACL, 2013: 122-128

[62] Dai A M, Le Q V. Semi-supervised sequence learning[C] //Proc of the 25th Conf on Neural Information Processing Systems. Cambridge, MA: MIT Press, 2015: 3079-3087

[63] Stoyanov V, Cardie C. Partially supervised coreference resolution for opinion summarization through structured rule learning[C] //Proc of the 3rd Conf on Empirical Methods in Natural Language Processing. Stroudsburg, PA: ACL, 2006: 336-344

[64] Ku Lunwei, Liang Yuting, Chen Hsin Hsi. Opinion extraction, summarization and tracking in news and blog corpora[C] //Proc of the 21st AAAI Conf Spring Symp: Computational Approaches to Analyzing Weblogs. Menlo Park, CA: AAAI, 2006: 100-107

[65] Hurst M, Nigam K. Retrieving topical sentiments from online document collections[C] //Proc of the 5th Electronic Imaging Conf. Bellingham, WA: SPIE Press, 2004: 27-34

[66] Zhang Min, Ye Xingyao. A generation model to unify topic relevance and lexicon-based sentiment for opinion retrieval[C] //Proc of the 31st Annual Int ACM SIGIR Conf on Research and Development in Information Retrieval. New York: ACM, 2008: 411-418

[67] Ma Chunling, Osherenko A, Prendinger H, et al. A chat system based on emotion estimation from text and embodied conversational messengers[C] //Proc of the 4th Int Conf on Active Media Technology. Piscataway, NJ: IEEE, 2005: 546-548

[68] Aman S, Szpakowicz S. Identifying expressions of emotion in text[C] //Proc of the 10th Int Conf on Text, Speech and Dialogue. Berlin: Springer, 2007: 196-205

[69] Yang Min, Peng Baolin, Chen Zheng, et al. A topic model for building fine-grained domain-specific emotion lexicon[C] // Proc of the 52nd Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2014: 421-426

[70] Xu Jun, Xu Ruifeng, Zheng Yanzhen, et al. Chinese emotion lexicon developing via multi-lingual lexical resources integration[C] //Proc of the 14th Int Conf on Computational Linguistics and Intelligent Text Processing. Berlin: Springer, 2013: 174-182

[71] Song Kaisong, Feng Shi, Gao Wei, et al. Build emotion lexicon from microblogs by combining effects of seed words and emoticons in a heterogeneous graph[C] //Proc of the 26th ACM Conf on Hypertext and Social Media. New York: ACM, 2015: 283-292

[72] Wu Fangzhao, Huang Yongfeng, Song Yangqiu, et al. Towards building a high-quality microblog-specific Chinese sentiment lexicon[J]. Decision Support Systems, 2016, 87: 39-49

[73] Staiano J, Guerini M. DepecheMood: A lexicon for emotion analysis from crowd-annotated news[C] //Proc of the 52nd Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2014: 427-433

[74] Strapparava C, Mihalcea R. Learning to identify emotions in text[C] //Proc of the 23rd ACM Symp on Applied Computing. New York: ACM, 2008: 1556-1560

[75] Neviarouskaya A, Prendinger H, Ishizuka M. Affect analysis model: Novel rule-based approach to affect sensing from text[J]. Natural Language Engineering, 2011, 17(1): 95-135

[76] Wen Shiyang, Wan Xiaojun. Emotion classification in microblog texts using class sequential rules[C] //Proc of the 28th AAAI Conf on Artificial Intelligence. Menlo Park, CA: AAAI, 2014: 187-193

[77] Lee S Y M, Chen Ying, Huang Churen. A text-driven rule-based system for emotion cause detection[C] //Proc of the 10th NAACL HLT Workshop on Computational Approaches to Analysis and Generation of Emotion in Text. Stroudsburg, PA: ACL, 2010: 45-53

[78] Li Weiyuan, Xu Hua. Text-based emotion classification using emotion cause extraction[J]. Expert Systems with Applications, 2014, 41(4): 1742-1749

[79] Gao Kai, Xu Hua, Wang Jiushuo. A rule-based approach to emotion cause detection for Chinese micro-blogs[J]. Expert Systems with Applications, 2015, 42(9): 4517-4528

[80] Alm C, Roth D, Sproat R. Emotions from text: Machine learning for text-based emotion prediction[C] //Proc of the 2nd Conf on Human Language Technology and on Empirical Methods in Natural Language Processing. New York: ACM, 2005: 579-586

[81] Cheng Xueqi, Yan Xiaohui, Lan Yanyan, et al. BTM: Topic modeling over short texts[J]. IEEE Trans on Knowledge and Data Engineering, 2014, 26(12): 2928-2941

[82] Read J. Using Emoticons to reduce dependency in machine learning techniques for sentiment classification[C] //Proc of the 43rd ACL Student Research Workshop. Stroudsburg, PA: ACL, 2005: 43-48

[83] Zhao Jichang, Dong Li, Wu Junjie, et al. Moodlens: An emoticon-based sentiment analysis system for Chinese tweets[C] //Proc of the 18th ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining. New York: ACM, 2012: 1528-1531

[84] Ouyang Xi, Zhou Pan, Li Chenghua, et al. Sentiment analysis using convolutional neural network[C] //Proc of the 15th Int Conf on Computer and Information Technology; the 14th Int Conf on Ubiquitous Computing and Communications; the 13th Int Conf on Dependable, Autonomic and Secure Computing; the 13th Int Conf on Pervasive Intelligence and Computing. Piscataway, NJ: IEEE, 2015: 2359-2364

[85] Santos C, Gatti M. Deep Convolutional neural networks for sentiment analysis of short texts[C] //Proc of the 25th Int Conf on Computational Linguistics. New York: ACM, 2014: 69-78

[86] Irsoy O, Cardie C. Deep recursive neural networks for compositionality in language[C] //Proc of the 28th Conf on Neural Information Processing Systems. Cambridge, MA: MIT Press, 2014: 2096-2104

[87] Kang Xin, Ren Fuji, Wu Yunong. Bottom up: Exploring word emotions for Chinese sentence chief sentiment classification[C] //Proc of the 6th Natural Language Processing and Knowledge Engineering. Piscataway, NJ: IEEE, 2010: 1-5

[88] Rao Yanghui, Xie Haoran, Li Jun, et al. Social emotion classification of short text via topic-level maximum entropy model[J]. Information and Management, 2016, 53(8): 978-986

[89] Huang Shu, Peng Wei, Li Jingxuan, et al. Sentiment and topic analysis on social media: A multi-task multi-label classification approach[C] //Proc of the 5th Annual ACM Web Science Conf. New York: ACM, 2013: 172-181

[90] Zhang Xiao, Li Wenzhong, Lu Sanglu. Emotion detection in online social network based on multi-label learning[C] //Proc of the 22nd Int Conf on Database Systems for Advanced Applications. Berlin: Springer, 2017: 659-674

[91] Sun Xiao, Li Chengcheng, Ye Jiaqi. Chinese microblogging emotion classification based on support vector machine[C] //Proc of the 5th Int Conf on Computing, Communication and Networking Technologies. Piscataway, NJ: IEEE, 2014: 1-5

[92] Sintsova V, Musat C, Pu Pearl. Semi-supervised method for multi-category emotion recognition in tweets[C] //Proc of the 17th Int Conf on Data Mining Workshop. Piscataway, NJ: IEEE, 2014: 393-402

[93] Purver M, Battersby S. Experimenting with distant supervision for emotion classification[C] //Proc of the 13th Conf of the European Chapter of the Association for Computational Linguistics. New York: ACM, 2012: 482-491

[94] Suttles J, Ide N. Distant supervision for emotion classification with discrete binary values[C] //Proc of the 14th Int Conf on Intelligent Text Processing and Computational Linguistics. Berlin: Springer, 2013: 121-136

[95] Jiang Fei, Liu Yiqun, Luan Huanbo, et al. Microblog sentiment analysis with emoticon space model[J]. Journal of Computer Science and Technology, 2015, 30(5): 1120-1129

[96] Li Shoushan, Xu Jian, Zhang Dong, et al. Two-view label propagation to semi-supervised reader emotion classification[C] //Proc of the 26th Int Conf on Computational Linguistics. New York: ACM, 2016: 2647-2655

[97] Ghazi D, Inkpen D, Szpakowicz S. Hierarchical versus flat classification of emotions in text[C] //Proc of the 9th NAACL HLT Workshop on Computational Approaches to Analysis and Generation of Emotion in Text. Stroudsburg, PA: ACL, 2010: 140-146

[98] Esmin A A A, De Oliveira R L, Matwin S. Hierarchical classification approach to emotion recognition in Twitter[C] //Proc of the 11th Int Conf on Machine Learning and Applications. Piscataway, NJ: IEEE, 2012: 381-385

[99] Xu Hua, Yang Weiwei, Wang Jiushuo. Hierarchical emotion classification and emotion component analysis on Chinese micro-blog posts[J]. Expert Systems with Applications, 2015, 42(22): 8745-8752

[100] Zhang Fan, Xu Hua, Wang Jiushuo, et al. Grasp the implicit features: Hierarchical emotion classification based on topic model and SVM[C] //Proc of the 29th Int Joint Conf on Neural Networks. Piscataway, NJ: IEEE, 2016: 3592-3599

[101] Keshtkar F, Inkpen D. A hierarchical approach to mood classification in blogs[J]. Natural Language Engineering, 2011, 18(18): 61-81

[102] Liu Baoqin, Niu Yun. Multi-hierarchy emotion analysis of Chinese microblog[J]. Computer Technology and Development, 2015, 25(11): 23-26 (in Chinese)

(劉寶芹, 牛耘. 多層次中文微博情緒分析[J]. 計算機技術(shù)與發(fā)展, 2015, 25(11): 23-26)

[103] Ouyang Chunping, Yang Xiaohua, Lei Longyan, et al. Multi-strategy approach for fine-grained sentiment analysis of Chinese microblog[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(1): 67-72 (in Chinese)

(歐陽純萍, 陽小華, 雷龍艷, 等. 多策略中文微博細粒度情緒分析研究[J]. 北京大學學報: 自然科學版, 2014, 50(1): 67-72)

[104] Yang Jun, Jiang Lan, Wang Chongjun, et al. Multi-label emotion classification for tweets in weibo: Method and application[C] //Proc of the 26th Int Conf on Tools with Artificial Intelligence. Piscataway, NJ: IEEE, 2014: 424-428

[105] Buitinck L, Van Amerongen J, Tan E, et al. Multi-emotion detection in user-generated reviews[C] //Proc of the 37th European Conf on Information Retrieval. Berlin: Springer, 2015: 43-48

[106] Liu Shuhua, Chen Jiunhung. A multi-label classification based approach for sentiment classification[J]. Expert Systems with Applications, 2015, 42(3): 1083-1093

[107] Wang Yaqi, Feng Shi, Wang Daling, et al. Multi-label Chinese microblog emotion classification via convolutional neural network[C] //Proc of the 18th Asia-Pacific Web Conf. Berlin: Springer, 2016: 567-580

[108] Li Jun, Rao Yanghui, Jin Fengmei, et al. Multi-label maximum entropy model for social emotion classification over short text[J]. Neurocomputing, 2016, 210: 247-256

[109] Zhou Deyu, Zhang Xuan, Zhou Yin, et al. Emotion distribution learning from texts[C] //Proc of the 21st Conf on Empirical Methods in Natural Language Processing. Stroudsburg, PA: ACL, 2016: 638-647

[110] Xu Ruifeng, Wang Zhaoyu, Xu Jun, et al. An iterative emotion classification approach for microblogs[C] //Proc of the 16th Int Conf on Intelligent Text Processing and Computational Linguistics. Berlin: Springer, 2015: 104-113

[111] Janssens O, Slembrouck M, Verstockt S, et al. Real-time emotion classification of tweets[C] // Proc of the 5th IEEE/ACM Int Conf on Advances in Social Networks Analysis and Mining. New York: ACM, 2013: 1430-1431