NLP情感分析之情感分类

情感分析与情感分类

情感分析（sentiment analysis）是近年来国内外研究的热点，其任务是帮助用户快速获取、整理和分析相关评价信息，对带有情感色彩的主观性文本进行分析、处理、归纳和推理。

情感分析包含较多的任务，如情感分类（sentiment classification）、观点抽取（opinion extraction）、观点问答和观点摘要等。因此很难简单地将其划归为某一个领域，往往从不同的角度将其划归到不同的方向。如果单纯地判别文本的倾向性，可以将其看作是一个分类任务；如果要从观点句中抽取相关的要素（观点持有者、观点评价对象等），则是一个信息抽取任务；而如果要从海量文本中找到对某一事物的观点，则可以看作是一个检索任务。

随着互联网技术的迅速发展和普及，对网络内容管理、监控和有害（或垃圾）信息过滤的需求越来越大，网络信息的主观倾向性分类受到越来越多的关注。这种分类与传统的文本分类不同，传统的文本分类所关注的是文本的客观内容（objective），而倾向性分类所研究的对象是文本的“主观因素”，即作者所表达出来的主观倾向性，分类的结果是对于一个特定的文本要得到它是否支持某种观点的信息。这种独特的文本分类任务又称为情感分类。

情感分类

情感分类是指根据文本所表达的含义和情感信息将文本划分成褒扬的或贬义的两种或几种类型，是对文本作者倾向性和观点、态度的划分，因此有时也称倾向性分析（opinion analysis）。

情感分类作为一种特殊的分类问题，既有一般模式分类的共性问题，也有其特殊性，如情感信息表达的隐蔽性、多义性和极性不明显等。

针对这些问题人们做了大量研究，提出了很多分类方法。这些方法可以按机器学习方法归类，也可以按情感文本的特点划分。

1．按机器学习方法分类

根据机器学习方法所使用训练样本的标注情况，情感文本分类可以大致分为有监督学习方法、半监督学习方法和无监督学习方法三类。

有监督学习方法：基于有监督学习的情感分类方法使用机器学习方法用于训练大量标注样本。
2002首次将有监督的学习方法应用到情感分类中，文献中分别比较了多种分类算法以及各种特征和特征权值选择策略在基于监督学习的情感分类中的效果。2004将主观句摘要引入情感分类中；2010分析了极性转移对情感分类的影响；2011使用基于特征空间及分类算法的集成学习方法有效地提高了情感分类的性能。

半监督学习方法：基于半监督学习的情感分类方法是通过在少量标注样本上训练，并在大量未标注样本上进行学习的方式构建分类模型。
2009将多种机器学习方法（例如：聚类方法、集成学习等）融入基于半监督学习的情感分类中；面对情感分类中汉语标注语料匮乏的问题，2009采用协同学习方法使用标注的英文语料和无标注的中文语料实现了高性能的中文情感分类。2010将情感文本的表达分为个人的和非个人的两种视图，应用协同学习进行情感分类的半监督学习。

无监督学习方法：基于无监督学习的情感分类方法是指仅使用非标注样本进行情感分类建模。
以往的大部分研究工作都是通过情感分类标注的种子词集来实现无监督分类，2002通过计算文本中候选单词与种子情感词之间的点互信息来计算文本的情感倾向性，选择“excellent”和“poor”作为种子词，在得到每个单词与种子词之间的点互信息后，根据SO-PMI计算每个词的情感倾向性，并通过词语计数的方式计算文本的整体情感倾向性。2006通过基于HowNet的语义分析抽取单词的情感信息。2009根据样本空间中文档与单词的共现关系，基于潜在狄利克雷分布（latent Dirichlet allocation，LDA）的浅层语义分析方法获取未标注样本的标签。

2．按研究问题分类

根据情感文本分类中侧重关注的问题，可以将情感分类研究划分为领域相关性研究和数据不平衡问题研究两类。

领域相关性研究：情感分类是一个领域相关（domain-specific）的问题，当训练集和测试集属于不同的领域时，基于监督学习的情感分类方法通常会表现出较差的效果。因此，领域适应性（domain adaptation）研究成为一个重要课题，其目的就是尽量使情感分类器在跨领域学习时保持一定的分类性能。

2005针对领域适应中的特征选择、分类器融合和训练集的组合等问题做了详细分析。2007提出了一种基于结构共现学习（structural correspondence learning，SCL）的情感分类领域适应方法，在跨领域情感分类中取得了较好的性能。2010利用基于图模型的Graph-Ranking算法处理中文情感分类中的领域适应问题。2011将集成学习方法应用于“多领域”情感分类，让多个领域的资源互相帮助，从而使整体的情感分类性能获得提升。

数据不平衡问题研究：情感分类往往牵涉样本的正负类别分布不平衡的问题。

Li et al.（2011b）对实际情况中的样本不平衡问题做了深入分析。假设在情感分类中有N个样本的训练数据，其中包含N+个正类样本和N－个负类样本。目前大多数研究总是假设正类样本数和负类样本数是平衡的，即N+＝N－，但实际情况并非如此，更一般的情况是训练数据中一类样本要远远多于另一类样本。

针对不平衡数据的有监督情感分类问题，Li et al.（2011c）提出了一种基于中心向量的不平衡情感分类方法。
该方法包括以下几个步骤对不平衡数据的标注样本进行训练：
①将“多类”里面的所有训练样本进行聚类；
②在各个聚类里面进行内部层次采样，获得同“少类”相同规模的样本；
③使用这些采样样本并结合整个类的中心向量构建的新向量进行训练学习。该方法借鉴中心向量充分利用“多类”里面所有样本的分类信息，获得了比其他传统采样方法或者代价敏感方法更优的分类性能。

针对不平衡数据的半监督情感分类问题，Li et al.（2011b）提出了一种基于协同学习的半监督学习方法。
该方法有如下两个特点：
①使用欠采样技术对训练样本进行平衡采样，用于构建多个欠采样分类器，利用多个分类器对非标注样本进行标注；
②采用动态特征子空间的方式，即每次迭代重新生产特征子空间，增加多分类器之间的差异性，进一步提升协同学习的性能。
实验结果表明，该方法在处理情感分类的数据不平衡问题上，能够利用非标注样本提高分类性能。另外，该工作的一个贡献是首次提出了一种针对不平衡数据分类的半监督学习方法。

针对不平衡数据的情感分类中的主动学习问题，Li et al.（2012b）提出了一种集成确定性和不确定性样本选择策略的方法，用于主动选择不平衡数据中信息量大的样本以提高分类性能。其中，确定性和不确定性分布由两个分开的特征子空间进行控制，不确定性用于选择信息量大的样本，确定性用于选择尽量平衡的数据。此外，对于确定性判断出来的“多类”非标注样本进行自动标注，进一步降低样本的标注规模。实验证明，在同样的标注情况下该方法能够大幅度提高不平衡数据的分类性能。