第12章 情感分析.pptxVIP

第12章情感分析

Contents第12章情感分析情感分析概述12.1藏文情感信息抽取12.2藏文句子级情感分析12.3藏文篇章级情感分析12.4藏语语音及多模态情感分析12.5总结与展望12.6

复习引入文本分类主要是将文本划分到不同类别，而情感分析则更深入地挖掘文本中的主观情感。那么情感分析具体要完成哪些任务呢？

在舆情分析、智能交互、社会治理等领域具有广泛应用。引言情感分析是自然语言处理的重要分支。致力于从文本、语音及多模态数据中挖掘主观情感信息。随着多语言技术的快速发展，针对资源稀缺语言的情感分析研究逐渐成为学界关注的热点。

引言概述情感分析的定义、发展趋势、主要任务和过程；1从藏文情感信息抽取、藏文句子级到篇章级情感分类逐层递进，回顾藏文情感分析的研究；2延伸至藏语语音情感识别及多模态情感融合分析。3本章以藏文文本的情感分析为核心研究对象。

12.1情感分析概述

12.1.1情感分析的概念情感分析定义文本情感分析（SentimentAnalysis），又称为观点挖掘（OpinionMining）或情感挖掘（SentimentMining）；是从文本、语音等数据中挖掘主观情感信息的技术；旨在识别情感倾向（如正面、负面、中立）及情绪类型；广泛应用于舆情监测、智能交互等领域。

12.1.1情感分析的概念市场营销0102品牌管理03舆情监测电子商务04金融预测05例如：在市场营销中，情感分析可用于分析消费者对产品的评价，帮助企业改进产品；在金融预测中，通过分析市场情绪来预测市场走势。应用潜力

12.1.2情感分析技术发展历程基于规则的方法早期情感分析依赖预定义的词典和语法规则，通过人工制定规则来判断文本情感；受限于规则库的完备性和语言的复杂性。基于机器学习的方法利用机器学习技术，通过训练大量标注数据来学习情感规律，常见的方法有支持向量机（SVM）、朴素贝叶斯等；处理语义和上下文能力有限。基于深度学习的方法近年来，深度学习技术如循环神经网络（RNN）、长短时记忆网络（LSTM）、Transformer、BERT等模型的兴起，自动学习高层次特征，显著提高了情感分类的准确性和效率。

12.1.3情感分类的主要任务任务类型层面的分析分为情感分类和情感信息抽取两大类，前者识别情感倾向，后者提取结构化情感信息。语言单元层面的分析包括篇章级、句子级、属性级情感分析，篇章级需考虑上下文，属性级聚焦特定方面。

12.1.3情感分类的主要任务01情感分类任务包括基本分类（情感极性）、主客观分类、情绪检测和情感强度判读，帮助机器理解人类的主观情感表达。02情感信息抽取从主观性文本中提取与情感相关的结构化信息单元，如观点持有者、评价对象、评价词语和评价搭配。03其他情感相关任务包括观点摘要、辩论立场检测、虚假评论检测等，其中基于方面的情感分析（ABSA）是情感分析的细粒度任务。

12.1.4情感分析过程包括收集带标签语料，进行清洗、分词、去停用词等预处理，确保数据质量。数据准备实现情感分类，进行可视化展示，为产品改进、舆情监控等提供决策支持。应用与输出可选择传统机器学习、深度学习或混合方法，划分数据集并调整参数优化模型。模型构建与训练常见的特征提取方法有词袋模型（BoW）、TF-IDF、词嵌入（Word2Vec/BERT）和N-gram模型等，捕捉文本信息。特征工程用准确率、F1值、混淆矩阵评估，通过领域适配、动态更新优化模型性能。模型评估与优化

12.2藏文情感信息抽取

12.2藏文情感信息抽取藏文情感分析数据集建设1.5万条句子语料库2020年却措卓玛构建规模达1.5万条的藏语情感句子语料库，用于藏文句子情感分类研究。2000句细粒度情感分析数据2024年斯曲卓嘎等人自构建2000句藏文细粒度情感分析数据，验证OpinionNet-OTE-MTL模型。1.7万条藏文情感分类词语料库2023年白玛洛赛等人构建含1.7万条藏文情感分类词的语料库，用于对比不同藏文情感分类模型。2024年白玛洛赛构建1.9万条藏文情感分类数据，预处理后融入词向量用于情感分类研究。1.9万条藏文情感分类数据

12.2藏文情感信息抽取藏文情感词典构建研究01合并去重与匹配算法2018年孙本旺等人通过合并去重算法、字符串匹配算法等自动构建藏汉情感词典，后得藏文情感与停用词词典，研究藏文微博情感倾向。02SO-PMI改进方法2022年单睿康等人提出基于改进SO-PMI的藏文情感词典自动构建方法，提升情感词识别准确率。03多词典匹配扩充2024年才让东知等人提出多方法融合的藏语情感词典构建方法，结合SO-PMI和word2vec词向量相似度扩充方法，构建了包含书面语与口语的藏语情感词典，评估实验准确率达60.80%。04C