情感分析 Sentiment Analysis

1. 文件层级（Document level）：在这个层次上，任务通常是评估整个文档的性质，如情感倾向、主题内容或者作者的意图等。比如，可以对一篇文章进行情感分析，以确定其总体是积极的、消极的还是中性的。
2. 句子层级（Sentence level）：这一层次的任务关注单个句子，分析句子中表达的信息或情感。例如，评估一个评论中的每个句子是否表达了正面或负面的情绪。
3. 方面层级（Aspect level）：这种任务则是更加细粒度的分析，专注于文本中的具体方面或属性，如产品的某一特定特性。例如，在产品评论中，可以对“电池寿命”、“屏幕质量”或“客户服务”等特定方面进行评估。

• 流程图显示，一份文档被输入到一个机器学习模型，该模型用来预测情感。
• 预测的输出可以是两类：分类（Classification）和回归（Regression）。
• 分类可以进一步细分为二元分类（Binary，比如正面（P）或负面（N））和多类分类（Multi，比如1至5星级评分）。
• 回归则是输出一个评分（Score），通常是一个连续的数值，表示情感的强度或者情感倾向的程度。

文档级情感分析部分细化为两种文档表示方法：

1. Bag-of-words (BoW)：

   • 向量大小等于词汇量，表明这是一个稀疏且高维的表示。
   • 缺点包括没有词序（使用Bag-of-n-gram可以一定程度上解决这个问题）和缺乏语义信息。

2. Document Embedding：

   • 使用词嵌入技术来表示文档

BoW是最基础的方法，通常在简单任务中效果不错，但它不考虑词序和语义。词嵌入是一种更先进的表示，能够捕捉更多的上下文和语义信息。这些表示方法对于构建一个准确预测文档情感的模型是很关键的。

1. Bag-of-words (BoW)：一种将文本表示为其词汇的无序集合的方法，不考虑语法或词序。

2. Sentence Embedding：

   • Word Embedding：这种方法通过训练将词汇转换为向量，可以捕捉单词的语义和上下文。
3. Parse Tree：一种树形结构，表示句子的语法结构，如上图中的例子显示了一个简单句子“John hit the ball”的语法树。其中"S"代表句子，"NP"代表名词短语，"VP"代表动词短语，"Det"代表限定词，"N"代表名词，"V"代表动词。
4. Opinion Lexicons：这些是用于情感分析的特定词典，包含已知情感极性的单词列表。图片中提供了一个资源链接（不过请注意，由于我不能直接访问互联网，因此无法验证链接的有效性）。
5. CNN and RNN：卷积神经网络（CNN）和递归神经网络（RNN）是两种机器学习模型，通常用于处理序列数据，如文本。CNN通过滑动窗口捕获局部特征，而RNN通过隐藏状态捕获序列数据的时间依赖性。

方面级情感分析（Aspect-level Sentiment Analysis）的概念框架。

方面级情感分析：

• 输入句子是：“It has a horrible keyboard, but an awesome trackpad.”
• 首先进行的是方面提取（Aspect Extraction, AE），它的目标是从句子中识别出正在评价的具体方面或特征。在这个例子中，识别出的方面是“keyboard”和“trackpad”。
• 接下来是方面级情感分析（Aspect-Level Sentiment Analysis, ALSA），这一步分析与每个方面相关的情感倾向。这里，“keyboard”与负面情感关联，“trackpad”与正面情感关联。

三个重要的任务：

1. Context representation：表示上下文，即理解句子的整体语义内容。
2. Target representation：表示目标，即识别和表示句子中的评价对象（方面）。
3. Context -> Target：表示上下文到目标的映射，即确定上下文中的情感是如何与特定的方面关联的。