如何让计算机理解人类的喜怒哀乐，根据大数据来定性定量分析人类情感，是大数据智能的重要体现。情感分析有着广泛的应用，如：舆情监控、客服监控、电商评价等。
1 情感分析研究什么问题
广义的情感分析又叫情感分析与观点挖掘，分为2个部分，即情感分析（狭义）和观点挖掘（又叫意见挖掘）。情感分析指通过分析文本来理解喜怒哀乐这些情感，观点挖掘偏重于理解用户表达的观点和意见，即判断一个句子有没有表达情感或观点。比如：
1）今天讲的是情感分析技术。
2）这本书写得很好。
3）我想看完这本书再去吃饭。
第1句是客观句，第2，3句是主观句，第2句又表达了褒义的情感色彩，第3句却没有褒贬色彩。
也就是说，情感分析是一个多步二分类问题，
当然，有人说仅用褒贬2极来分类情感还不够，要用“喜怒哀乐”等情感词进行细分，无论怎样细分，归根结底，情感分析还是一个分类问题，这是情感分析要研究的第1个问题。
只是情感分类，对于某些场景显然不够用，比如：
4） 这部手机分辨率很高。
5）这部手机价格很高。
6） 这部手机续航时间不算差。
上面3句都表达褒义的情感，但作用对象并非人，而是某物（手机）的某个属性（分辨率、价格、续航时间），这里，表达的是人的观点，对观点表达的深入挖掘就是观点挖掘，这是情感分析的第2个问题。
在情感、观点分析的基础上，又衍生出一些新的情感分析问题，如：
l 舆情分析
针对公众舆论进行分析来判断公众情感倾向。
l 情感摘要
提取长文本的主要观点，以形成较短篇幅的摘要。
l 垃圾观点识别
互联网上的数据有很多虚假的数据，如雇佣水军写的垃圾数据。对这些垃圾观点进行识别并过滤，以获取更可信的数据。
2、情感分析研究问题的方法
2．1 情感分类问题研究方法
针对第1个问题，如何对一个句子进行情感分类呢？如果判断情感表达是褒义还是贬义呢？从上面的例句可以看出，情感词是表达情感的元素，如：“很好”、“很高”、“差”。因此，如果有一个收录各类情感词的情感词典，记录情感词、情感倾向甚至情感程度，那么，就可以按图索骥。从句子中找出所有情感词，按情感程度对情感倾向进行加权累计，就可以计算出整句话的情感倾向了。
关于情感词典，众多专家学者进行了研究。
l 美国的罗伯特教授提出了“情绪轮”模型
该模型包含8种基本情绪：生气、厌恶、恐惧、悲伤、期待、快乐、惊讶、信任
l 情绪的层次模型
l 我国的张伟编著了《学生褒贬义词典》
l 知网“情感分析用词语集”
l 清华大学构建的情感词词典
2．2 观点问题研究方法
情感词典法用于情感分类研究可行，但对于观点挖掘就不可行了。比如：“高”是褒义词，“分辨率很高”是褒义，但“价格很高”却是贬义。因此，情感词的感情倾向并不是始终如一的，要结合具体属性才能确定，这就形成了“特征-观点对”，识别“特征-观点对”是观点检索的一项基础工作。
到这时，观点的组成要素就若隐若现了，“观点”是多个要素组成的多元组：
l 观点持有者（holder）
即表达观点的主体
l 观点客体/对象
观点针对的对象，也是被评价的对象
l 对象的属性、特征
即对象的某个属性，用来显现某种观点
l 表达观点的极性
指观点是褒义或贬义，及情感程度。
观点问题研究比情感分类问题要复杂得多，不仅要知道观点的褒贬，还要知道观点的对象和属性。
观点挖掘通常包括包含几步，第一步叫观点抽取，从原始文本中识别和抽取对象的属性，并判断其极性，形成“属性-观点对”。第二步是情感资源构建将抽取的观点进行适当组织，形成结构良好的便于应用的知识，作为情感资源。最后一步就是观点检索 用户查询到某一种观点的相关信息（如：情感极性）。
2．3 情感分析方法
构建情感词典、属性-观点对这些情感资源，就是为了对文本进行情感分析，即识别文本表达了褒义、贬义还是中性，情感的强烈程度几何。
作为文本分类任务，情感分析方法又分为无监督学习和有监督学习。
1无监督学习
无监督学习就是无需训练语料，需要人工构建情感词典和属性-观点对库。然后对文本中的情感词、属性-观点对与已知库进行匹配，将匹配到的情感倾向得分累加，得出整个句子的总体情感倾向。如：
这部手机很靓，分辨率很高、续航时间也不算差、但是价格很高。
这句话的情感词有：靓，分辨率-高，续航时间-差（否定副词“不算”），价格-高。如果我们在情感库里设置好情感分数分别为0.6，0.4，-0.6, -0.8，因为续航时间-差有否定副词“不“（反转-1）和较弱程度副词 ”算”（除以弱化系数2），这里是较弱情感反转，情感得分：（-1）X （1/2）X (-0.6) = 0.3。同时，但是价格很高，有程度加强副词“但是”（乘以弱化系数2）。因而，整句情感倾向= 0.6 + 0.4 + 0.3 -0.8X2 = -0.3，表达了贬义情感。
2有监督学习
有监督学习的第一步就是找到训练数据，即已经标注出答案的语料。通过训练，模型就可以建立起特征与结果类别之间的分布关系，对未知答案的数据也能给出估计。
情感分析训练数据通常从互联网采集，如一些评论打分类网站，评价打分就相当于答案标注。对于一些内部系统，训练数据通常是满意度调查或人工复查、已评价的数据。
有监督学习的第二步是从文本中获取特征，将每个文本映射到一个向量。已有众多研究者对文本特征进行了研究，如：
l 词性特征
l 副词类特征
l 句法特征
l …
最后就是选取学习模型做分类器，情感分析常见的分类器有（这些技术我也不懂，先记上：） ）：
l 朴素贝叶斯
l K近邻
l 支持向量机
l 最大熵模型