【基础】文本情感分析基础：情感词典、机器学习方法

# 2.1 情感词典的构建与应用

### 2.1.1 情感词典的类型与特点

情感词典根据其构建方式和特点，可分为以下几种类型：

- **手工构建词典：**由语言学家或领域专家手工标注情感极性的词语，具有较高的准确性，但构建成本较高。
- **基于语料库构建词典：**从大规模语料库中提取情感词语，通过统计方法计算情感极性，具有较好的覆盖率，但可能存在噪声。
- **基于词嵌入构建词典：**利用词嵌入模型将词语映射到向量空间，通过聚类或其他方法识别情感词语，具有较好的泛化能力，但可能存在语义漂移。

### 2.1.2 情感词典的构建方法

手工构建情感词典需要大量的人工标注工作，而基于语料库或词嵌入构建词典则需要借助统计或机器学习方法。

**基于语料库构建词典：**

- **共现统计：**计算词语与已知情感词语的共现频率，并根据共现关系推断情感极性。
- **情感词典扩展：**利用种子情感词典，通过规则或相似性度量等方法扩展词典规模。

**基于词嵌入构建词典：**

- **聚类：**将词嵌入向量聚类，并根据聚类中心的情感极性为聚类中的词语分配情感极性。
- **监督学习：**利用已标注的情感语料库训练分类器，将词嵌入向量分类为不同情感极性。

# 2. 情感词典与机器学习方法

情感分析技术主要分为基于情感词典的方法和基于机器学习的方法。本章将分别介绍情感词典的构建与应用，以及机器学习方法在情感分析中的应用。

### 2.1 情感词典的构建与应用

#### 2.1.1 情感词典的类型与特点

情感词典是一种包含情感词及其情感极性的资源。根据情感词的来源和情感极性的确定方式，情感词典可以分为以下几种类型：

- **手动构建的情感词典：**由人工专家根据语言学知识和情感常识对情感词进行标注，情感极性明确。
- **自动构建的情感词典：**利用机器学习算法从文本语料库中自动提取情感词，情感极性可能存在不确定性。
- **混合构建的情感词典：**结合手动构建和自动构建的方法，兼顾准确性和覆盖率。

#### 2.1.2 情感词典的构建方法

情感词典的构建方法主要包括以下步骤：

1. **文本语料库收集：**收集包含丰富情感表达的文本语料库，如新闻、评论、社交媒体文本等。
2. **情感词提取：**利用自然语言处理技术，从语料库中提取候选情感词。
3. **情感极性标注：**对候选情感词进行情感极性标注，可以采用人工标注或机器学习方法。
4. **情感词典整理：**将标注好的情感词及其情感极性整理成情感词典。

#### 2.1.3 情感词典在情感分析中的应用

情感词典在情感分析中主要用于以下方面：

- **情感评分：**根据情感词典中情感词的权重，计算文本的情感得分，反映文本整体的情感倾向。
- **情感分类：**将文本划分为正面、负面或中性等情感类别，基于情感词典中情感词的出现频率或权重进行判断。
- **情感提取：**从文本中提取具有特定情感倾向的情感词或情感短语，用于情感分析或情感可视化。

### 2.2 机器学习方法在情感分析中的应用

机器学习方法在情感分析中主要用于以下方面：

#### 2.2.1 监督学习方法

监督学习方法需要有标注好的情感语料库作为训练数据，通过学习语料库中的文本特征和情感标签之间的关系，建立情感分类或情感评分模型。常用的监督学习方法包括：

- **支持向量机（SVM）：**一种非线性分类器，通过寻找最佳超平面将不同情感类别的文本分隔开。
- **逻辑回归（LR）：**一种概率模型，通