NLP之情感信息抽取

情感信息抽取是一种关于细粒度文本的情感分析技术，旨在抽取情感文本中有价值的情感信息。

Liu（2007）将情感信息定义为一个5元组（O，F，SO，H，T），其中，O表示评论实体，F表示评价对象，SO表示评价词语，H表示观点持有者，T表示评价的时间。

情感信息抽取研究的主要问题集中在两个方面：抽取观点持有者（opinion holder）和抽取评价对象（opinion target）。

*
抽取观点持有者面向的主要是新闻评论，识别对象是观点（评论）的隶属者。关于观点持有者的抽取方法主要是基于非监督的启发式规则，而这些规则的制定一般依赖于自然语言处理技术。

具体方法可以分为如下几种类型：
①基于命名实体识别的抽取方法：一般情况下，评论中的观点持有者是由命名实体（如人名或机构名）组成的，因此，可以借助于命名实体识别技术来获取观点持有者；
②基于语义角色标注的抽取方法：该方法利用语义角色标注的结果，寻找谓词的施事者作为候选的观点持有者。

*
抽取评价对象是指抽取评论文本中情感表达所面向的对象。这是情感信息抽取中研究最为广泛的一项任务，采用的基本方法是基于非监督学习的抽取方法和基于监督学习的抽取方法。

2004最早提出评价对象的抽取问题使用词频、与情感词的距离等特征构建识别的启发式规则，实现了一种基于非监督学习的评价对象抽取方法。2005提出了一种基于网络搜索的方法来实现评价对象识别；2007假定产品特征在产品评论中被提到的次数较普通，提出了一种基于语言模型的方法用以识别产品特征。随着话题模型的逐渐兴起，很多学者将其应用到情感分析领域。

相对基于非监督学习的抽取方法，基于监督学习的评价对象抽取方法起步较晚。2006针对“情感表达－评价对象”序偶的抽取问题提出了一种有监督的学习方法，从一个标注数据集中学习评价对象的候选结点，并使用序偶相关的依存路径信息。2010将评价对象抽取问题建模成序列标注问题，进而使用条件随机场模型进行学习，获得了比2006方法更佳的抽取效果。2012提出了一种基于浅层语义分析的评价对象抽取方法。该方法将情感描述单元作为谓词，其对应的评价对象作为其语义角色，利用浅层语义分析框架将评价对象抽取问题转化为语义角色识别问题。该方法的优势在于充分利用了语句的句法知识，在单领域和跨领域的评价对象抽取任务上都取得了较好的识别效果。

观点摘要或称倾向性摘要（opinion summarization）是情感信息抽取的另一项研究任务，其目的是帮助用户从大量情感文本中归纳、抽取出各种观点，以简洁的形式提供给用户。该任务涉及文本聚类、情感分类和情感预测（sentiment prediction）、文本挖掘和自然语言处理等多种技术，属于一项综合性任务。