问言语技术在情感分析中的作用是什么？

EN

词类

当你给一个句子或多个句子的每一个单词(通常称为记号)贴上标签时，这就是它的名字。通常它们都带有语法描述，如名词、形容词、副词。它们往往很具体，也可以区分名词的类型(专有名词等)。

然后，您可以使用这些令牌的描述作为模型的输入，或者过滤令牌，只提取您感兴趣的部分。

当我们使用NLP工具包(如spaCy。在这里看看他们可用的POS )解析一个文本块时，POS通常是输出的一部分。

这里有句话的解析树的片段:苹果正考虑以10亿美元收购一家英国初创公司。

苹果被认为是一个专有名词(NNP)，也是第一个动词的主语(用标有nsubj的箭头表示)。

关于POS的一个很好的介绍，在NLP中的许多其他术语，看看这篇文章。。

情感分析视角

在情感模型中包含POS有很多原因(下面是一些例子)，但它们实际上都归结为一个总体原因：多义。其定义是：

一个词或短语的多种可能的意思共存。

所以从本质上说，不同语境中的词可能有不同的含义。这当然是一个巨大的信息增益，我们可以传递给一个模型！

鸭子这个词可以是名词(鸟)，也可以是动词(动作，蹲下)。如果我们能告诉一个模型，其中哪一个是在一个给定的句子中，模型可以学会使句子更有意义。

除了区分单个词的意义外，我们还可以简单地在用法或位置上使用它们。一个例子是使用副词:但是。

如果我们的解析器足够好地告诉我们，它在特定的句子中用作对比连词(从技术上讲，这在语法上是不正确的！)一个例子句可以是：

我真的很喜欢松饼，但是，我讨厌草莓。

我们有两个条款:一个正面前，一个后。第一句是肯定的，后一句是否定的。如果我们用-5 ro +5来表示每个子句的情感(可能是该子句中每个单词的平均值)，那么我们可以想象得到分数，比如肯定子句的+3和否定句的-3。

这就是我见过一些模型的地方(Vader，SentiStrength等)用POS来衡量那些基本分数。但是，在我们的例子中，可能会使用否定子句的分数增加10%，使其最终得分为-3.3。这是否有意义取决于用例、数据以及开发人员的一般经验。

摘要

POS有很多用途，你可以想象很多，是否手工裁剪一个情感模型只是为了产生更多的功能。无论如何，它是一个从原始文本中提取更多信息的过程，应用语言模型(如语法！)这已经过测试，并且众所周知，对于任何官方形式的写作都是健壮的。

词性部分解释了一个词在句子中的用法，即它是否是动词、名词、形容词等。在文本处理中，这些POS (或word类)通常表示为它们的缩写，我们称之为tag。

例如，如果我们使用nltk，它使用Penn标记集作为默认设置。https://www.ling.upenn.edu/courses/Fall_2003/penn 001/penn_树岸_pos.html

import nltk
nltk.pos_tag(['I', 'like', 'playing', 'tennis'])

它将输出：

[('I', 'PRP'), ('like', 'VBP'), ('playing', 'VBG'), ('tennis', 'NN')]

我们可以检查nltk.help.upenn_tagset()，在那里我们知道：

PRP : Personal Pronoun
VBP : Verb, non-3rd person singular present 
VBG : Verb, gerund or present participle
NN  : Noun, singular or mass

POS可用于文本分析中的多个应用。文本分析中的大多数技术都是关于标记化和N克(将句子分解成单词)。在大多数情况下，当句子被分解成单词时，文本的语义就会消失，而独立的单词与一组单词或句子相比，无法表达情感和语义。因此，通过将语料库中的每个单词标记到其词类的各个部分，有时就可以很容易地获得使用该词的上下文，并最终将其用于分析情感。

我尝试了Python中的文本Blob和NLTK包来进行文本分析。有关使用这些包的更多信息，请参阅下面的链接。

https://www.nltk.org/ https://pythonprogramming.net/tokenizing-words-sentences-nltk-tutorial/ https://textblob.readthedocs.io/en/dev/quickstart.html https://textblob.readthedocs.io/en/dev/