作者：黃天元，復旦大學博士在讀，目前研究涉及文本挖掘、社交網絡分析和機器學習等。希望與大家分享學習經驗，推廣並加深R語言在業界的應用。
郵箱：huang.tian-yuan@qq.com
前文推送：
R語言自然語言處理：中文分詞
R語言自然語言處理：詞性標註與命名實體識別
R語言自然語言處理：關鍵詞提取（TF-IDF）
R語言自然語言處理：關鍵詞提取與文本摘要（TextRank）
R語言自然語言處理：文本向量化——詞嵌入（Word Embedding）
情感分析，就是根據一段文本，分析其表達情感的技術。比較簡單的情感分析，能夠辨別文本內容是積極的還是消極的（褒義/貶義）；比較複雜的情感分析，能夠知道這些文字是否流露出恐懼、生氣、狂喜等細緻入微的情感。此外，情感的二元特性還可以表達為是否含有較大的感情波動。也就是說，狂喜和暴怒都屬於感情波動，而寵辱不驚則屬於穩定的情感狀態。
情感分析方法主要分為兩種：1.詞法分析；2.機器學習。
其中，機器學習需要依賴於標註和特徵提取，這裡大有文章可做，但是很難提煉出共性，因此這裡不進行特殊的介紹。主要就是以人工標註的情感數值作為響應變量，然後另一方面對於文本進行向量化處理（詞嵌入），然後用模型進行擬合，最後得到一個好的模型對新的文本進行情感的評估。需要注意的是，對文本進行情感特徵的提取也是有文章可以做的，只要能夠正確認識哪些文本能夠提供情感信息，就能夠更好地捕捉文本的情感方向和程度。
tidytext進行詞法分析的技術路線另一個方法，就是詞法分析。它的原理非常簡單，事前需要定義一個情感詞典。比如「喜歡」這個詞我們定義為1分。那麼「我喜歡你」這句話，「我」和「你」都是中性詞，均為0分，「喜歡」為1分，這句話的總分就是1分。「我喜歡你，但討厭他」，這樣一句話中有「討厭」這個詞，在情感詞典中分數為「-1」，那麼整句話的得分就是0。這樣，我們就可以對每一個文本進行分詞，然後使用內連接（inner join）來提取其中的情感詞語，並根據情感詞語的得分，來評估這段文本的情感得分。我找了兩個我認為比較好的R包來實現這個功能：
1.tidytext（juliasilge/tidytext）; https://github.com/juliasilge/tidytext
2.SentimentAnalysis（sfeuerriegel/SentimentAnalysis）https://github.com/sfeuerriegel/SentimentAnalysis
這些包基本能夠通過複製粘貼代碼就能夠實現對文本情感的分析，這裡不進行贅述。不過這些包都是針對英文的，中文的情感詞典則比較匱乏。經過搜索，比較好的有大連理工大學提供的情感詞彙本體庫（大連理工大學信息檢索研究室（DUTIR）-搜人搜物搜信息，重情重義重認知）http://ir.dlut.edu.cn/EmotionOntologyDownload。不過我認為這些中文詞庫還是遠遠無法達到應用級的水準，真的要用，就需要自己構建情感詞庫。經過思考，我擬定的方法如下：1.對需要分析的文本進行分詞，並進行詞頻的分析（TF）；2.根據出現最多的一些詞，對它們可能代表的情感進行評估；3.構建自定義情感詞典，導入分詞器中進行分詞，並通過詞典表對其進行情感打分。
只有了解這些文本的特點，才能夠更好地進行分詞並提取出情感信息。這種分析可以廣泛應用到用戶評價分析、輿情分析，能夠成為一個非常重要的輔助參考。針對個性化的詞典，還能夠精準評估一些文本是否出現了「特殊的」情感，比如極端情緒或我們特別感興趣的情緒（不滿？特別滿意？威脅恐嚇？）。這種分析還可以擴展到句法分析，也就是什麼句型與相應的情緒具有強烈的相關性，未來這個領域大有可期。
——————————————
往期精彩：