情感分析常用方法有哪些？

情感分析是一种自然语言处理技术，用于识别和提取文本中的主观情绪或意见。常用的方法包括：

1. **基于词典的情感分析**：使用预定义的情感词汇表（如Afinn、SentiWordNet等）来计算文本中正面和负面词语的得分，然后加权求和。

2. **机器学习方法**：
- **朴素贝叶斯分类器**：利用特征词的词频作为输入，训练模型来预测文本情感。
- **支持向量机 (SVM)**：通过构建文本的词袋模型，使用线性或非线性核函数进行分类。
- **深度学习方法**：如使用卷积神经网络 (CNN) 或循环神经网络 (RNN, LSTM) 分析文本序列中的情感模式。

3. **情感词嵌入**：如Word2Vec或GloVe等，将词转化为数值向量，然后计算句子向量来判断情感倾向。

4. **情感规则提取**：根据语言学规则和模式识别技术提取情感线索。

5. **情感迁移学习**：利用预训练的模型（如BERT、RoBERTa等），在其基础上进行微调，适用于特定领域的文本情感分析。

6. **情感网络结构**：构建具有情感词、情感短语和文档层次的情感网络模型，以捕捉语义和情感依赖。

相关问题--
1. 基于词典的情感分析如何确定文本情感？
2. 在深度学习方法中，哪些层特别适合情感分析？
3. 情感迁移学习在情感分析中的优势是什么？