什么是情感分类（Sentiment analysis） – AI百科知识

情感分类（Sentiment analysis）也叫情感分析或意见挖掘，做的事情是把大量文本过一遍，判断其中表达的是积极、消极还是中立的情绪。企业靠它更懂客户，能把客户体验做更强，也能改善品牌声誉。想实时监控品牌声誉、从客户反馈里提取客观意见、把商业智能程序的规模撑起来，情感分类都很关键，公司因此能快速、有效地从海量非结构化数据中捞出有意义的洞察。技术层面，它用自然语言处理（NLP）和机器学习（ML）来训练计算机软件，让软件像人一样分析、解释文本。

什么是情感分类

情感分类（Sentiment analysis）又称情感分析、意见挖掘，是一种自然语言处理技术，用来分析文本数据，识别并提取作者的情感倾向、观点和评价。它会先评估文本中的情绪色彩，再把文本归到积极、消极或中立这几类情感类别里。企业借此了解消费者对产品或服务的感受，也能看清公众对特定话题、人物或实体的态度和立场。说白了，情感分类就是把定性数据量化、给主观文本评估情绪的技术。

情感分类的工作原理

做情感分析之前，得先处理文本数据，把文本质量与处理效率提上来：去停用词，删掉「的」「和」「是」这类常见却无关紧要的词；做词汇切分，把文本拆成单个词或短语，方便后续处理；做词性标注，给每个词标上名词、动词、形容词这类词性；再做词干提取或词形还原，把词还原到基本形式，比如把 running 还原成 run。之后把文本转成数值型特征，机器学习算法才好处理：词袋表示把文本写成词汇的集合，忽略语法和顺序，但保留词汇的重现次数；TF-IDF 统计方法用来评估一个词对文档集或语料库中某份文档的重要性；词向量则把词汇转成密集的向量表示，用来捕捉词与词之间的语义关系。

接着按问题需求选合适的机器学习或深度学习算法，把情感分类模型搭起来。朴素贝叶斯（Naive Bayes）是基于概率论的简单分类算法，适合文本分类任务。支持向量机（Support Vector Machine, SVM）是更强的分类方法，靠找最优分割超平面来区分不同类别的数据。深度学习模型这一类，卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）和 Transformer 等等，能自动学出文本中的语义特征。模型训好后就拿新的文本数据做情感分类：可以把文本分成正面、负面、中性等多个类别；可以在 0 到 100 的区间里给用户情绪评级，每个等分依次表示非常正面、正面、中性、负面和非常负面；可以构建情感词典，按文本里出现的情感词及其上下文语境判断情感极性；可以用已标注好的训练数据集，靠机器学习算法建情感分类模型；也可以用深度神经网络对文本建模，通过多层非线性变换捕捉文本里复杂的情感信息。

情感分类的主要应用

情感分析能用上的地方不少，几个典型领域：

• 社交媒体分析：看用户在社交媒体上发的评论和帖子，就能摸清公众对某个事件、产品或品牌的情感态度。
• 舆情监测：政府和企业可以借情感分析盯网络舆情，负面舆论能更早发现、更早应对。
• 产品评论分析：电商平台用它分析用户对产品的评论，产品的优点和缺点一目了然。
• 客户服务：客服系统里，情感分析能识别客户需求和情感状态，服务可以更个性化。
• 广告评估：广告投放之后，用情感分析反映广告效果，给广告主提供数据支撑。

情感分类面临的挑战

情感分析在很多领域确实出了成绩，但下面这些坎还摆在面前：

• 处理复杂情感的挑战：讽刺、幽默这类复杂情感，情感分析往往处理得不够准。
• 语义理解的局限性：情感分析关注的是情感倾向，语义和上下文的细节容易被忽略掉。
• 数据偏见的影响：结果可能被数据偏见影响，比如数据源怎么选、样本是否均衡。

情感分类的发展前景

技术还在往前走，情感分析的方法会继续升级，人们理解和应用情感信息的空间也更大。后续的研究方向大概有这么几条：优化模型的训练方法和计算效率，少依赖一些计算资源；深挖情感分类的机理和特点，找出更多影响因素和提性能的策略；把情感分析和迁移学习、强化学习等其他先进技术结合，让情感分类任务的表现更好。作为自然语言处理的一个重要分支，情感分析正在给企业和组织创造过去难以想象的价值。把它的原理、方法和应用吃透，技术工具才能用得更好，文本数据里的情感信息才能挖得更深，企业决策和品牌建设也就更有支撑。