情感分析发展的七项关键技术：

1. 情感分类
2. 情感元素抽取
3. 跨领域情感分析
4. 个性化情感分析
5. 隐式情感分析
6. 情感原因发现
7. 情感生成

1. 情感分类

1.1 基于传统机器学习方法的情感分类

最好的模型是：

SVM！（2002）

文本特征采用：

• Bag of ngrams words + TFIDF
• Bag of ngrams characters+TFIDF

1.2 基于深度学习方法的句子情感分类

发展：

• RNN（2013）
• TextCNN（2014）
• 基于情感词典的BiRNN（2016）
• 利用语言学约束的LSTM模型（2017）

1.3 基于深度学习方法的篇章级情感分类

发展：

• CNN+GRU（2015）
• HAN（2016）
• 利用语篇关系的RecursiveNN（2015）

1.4 面向评价对象的句子情感分类

引入了Aspect Embedding！

发展：

• LSTM+Attention：每一层还引入了Aspect Embedding，考虑了评价对象的类别信息。（2016）
• Memory network+Attention：显式地利用上下文对于不同评价对象的差异。（2016）

2. 情感元素抽取

任务：

• 情感词抽取、情感词表示、情感词典
• 评价对象抽取
• 评价搭配抽取：<评价对象，情感词>

2.1 情感词表示的学习

情感词典资源

发展：

• SSWE（2014）
• 等等

2.2 基于情感词表示学习构建的情感词典

• 构建大规模的twitter特定的情感词：一种表示学习方法。（2014）

2.3 评价对象抽取

传统机器学习方法：

• 看成序列标注问题
• CRF+特征

深度学习方法：

• 深层、双向RNN（2014）
• LSTM+词向量+POS特征（2015）
• 结合融合依存路径信息的词向量和局部上下文特征（2016）
• RecursiveNCRF（2016）

后两个基本上是想过最好的！

2.4 评价搭配抽取

评价搭配：<评价对象，评价表达>

• 双向传播算法（2011）
• 基于语法树进行句子压缩的搭配抽取算法（2014）

3. 跨领域情感分析

任务：从源领域到目标领域进行模型的迁移。

目标：标注少量或不标注目标领域的语料，利用源领域的语料在目标领域达到较好的性能。

发展：

• 谱特征对齐算法（2010）
• 堆叠去燥自编码器+SVM（2011）

4. 个性化情感分析

任务：在情感分析中加入个性化的元素。

4.1 基于用户用词习惯的方法

不同用户和群体情感倾向具有差异性。

传统的社会媒体分析往往仅依赖于文本正文的内容，**忽略了个体与群体信息和立场，**因而在一定程度上影响了情感分析的结果。

• 立场不同
• 打分偏好
• 用词偏好

发展：

• 引入用户嵌入和产品嵌入，并将其融入到神经网络框架中。（2015）

4.2 基于认知理论的方法

用户画像：

• 属性维度：自然欣喜
• 性格维度：五大人格
• 行为维度：用户偏好

可以结合用户信息进行更深入的情感分析与展示！

4.3 基于网络结构的方法

社交网络上用户之间的连接关系（关注、赞同、@等），这种连接关系表征了相同的情感倾向性。

发展：

• 结合社交网络的用户级别的情感分析（2011）

5. 隐式情感分析

传统的情感分析方法多依赖显式情感词，不能有效处理社会媒体中大量存在的隐式情感表达。

社交媒体中文本情感表达方式复杂：

• 多数没有显式情感词
• 多使用语言修辞表达或事实性陈述

5.1 事实性隐式情感分析

发展：

• 基于特征+规则的方法（2011）
• 基于上下文的方法

5.2 修辞型隐式情感分析

• 隐喻语料库
• 隐式情感语料库

6. 情感原因发现

6.1 基于文本的情感原因发现

• 基于融合卷积操作的记忆网络的方法（2017）

6.2 基于立场的情感原因发现

情感原因发现是文本情感全面理解的核心内容之一。

现有方法难以发现社交网络群体带来的情感立场原因，缺乏对情感原因的利用。

6.3 基于群体的情感原因发现

值得思考的问题：

• 如何表示情感原因
• 如何获取情感原因

7. 情感生成

7.1 评论文本生成

发展：

• Affect-LM（2017）
• Attribute2Sequence+Attention（2017）

7.2 情感回复生成

发展：

• Emotional Chatting Machine（2017）

8. 情感分析六大趋势

• 从粗粒度到细粒度
• 从单领域到跨领域
• 从文本到社会媒体
• 从显式情感到隐式情感
• 从情感分类到情感原因
• 从情感分析到情感生成