情感分析（Sentiment Analysis）—机器学习自我提炼

数据时代，机器学习也进入了大众视野，我们身边到处都有机器学习应用的场景，如人脸识别、智能语音识别、手写数字识别、金融反欺诈和产品精准营销等等。

情感分析（Sentiment Analysis）是一种常见的自然语言处理（NLP）方法的应用，它是对带有情感色彩的主观性文本进行分析、处理、归纳和推理，利用一些情感得分指标来量化定性数据的方法。在自然语言处理中，情感分析属于典型的文本分类问题，即把需要进行情感分析的文本划分为其所属类别，现在主流的情感分析方法有两种：一种基于词典的方法，一种是基于机器学习算法的方法。基于词典的方法主要通过制定一系列的情感词典和规则，对文本拆解、关键词提取，计算情感值，最后通过情感值来作为文本的情感倾向依据。这种方法往往会忽略其词顺序、语法和句法，将这段文本仅仅看做是一个词集合，因此不能充分的表达文本语义信息。比如，“A餐厅做的菜真难吃”，“B餐厅做的菜不难吃”,关两段文本的键词提取是”难吃”，通过这种方法判定得出结论：A,B餐厅做的菜都难吃，显然结论是错误的。

随着机器学习的发展，目前情感分析的机器学习算法也比较成熟。深度学习适合做文字数据处理和语义理解，深度学习结构灵活，其底层利用词嵌入技术可以避免文字长短不均带来的处理困难。使用深度学习抽象特征，可以避免大量人工提取特征的工作。深度学习可以模拟词与词之间的联系，有局部特征抽象化和记忆功能。正是这几个优势，使得深度学习在情感分析，乃至文本分析理解中发挥着举足轻重的作用。

目前情感分析用到的深度学习神经网络有多层神经网络（MLP），卷积神经网络（CNN）和长短记忆模型（LSTM）。这些神经网络共同点是有很多参数，需要通过后向传播来更新参数。CNN 和LSTM 作为神经网络的不同类型的模型，需要的参数相对较少，这也反映了它们的一个共性：参数共享。这和传统的机器学习原理很类似：对参数或者模型加的限制越多，模型的自由度越小，越不容易过度拟合。反过来，模型参数越多，模型越灵活，越容易拟合噪声，从而对预测造成负面影响。通常通过交叉验证技术选取最优参数（比如，几层模型、每层节点数、Dropout 概率等）。情感分析本质是一个分类问题，是监督学习的一种，其他经典机器学习模型，比如SVM、随机森林、逻辑回归等，通过和神经网络模型进行比较。

情感分析应用

文本情感分析的应用非常广泛，如用户在购物网站、旅游网站、电影评论网站上发表的评论分成正面评论和负面评论；或为了分析用户对于某一产品的整体使用感受，抓取产品的用户评论并进行情感分析等等，为个人、企业及机构提供决策支持，网络舆情风险分析，信息预测等。

案例：观影用户对电影情感分析

简单分类服务器JSON，通过twitter API案例。

请求参数：

text：要分类的文本。这应该是URL编码。

查询：主题。这应该是URL编码。

callback：回调函数。

如果要返回纯JSON对象，请将其保留。

语言：文本的语言,

有效值为：

en（英文：默认）

es（西班牙语）

极性值代表意思：

0：否定

2：中立

4：积极

在python环境执的程序：

通过这个分类器对观众发送的评论进行情感分析评价，看观众对电影的评价是中立、还是否定还是积极。

Keras 自带的load_data 函数帮我们从亚马逊S3 中下载了数据，并且给每个词标注了一个索引(index)，创建了字典。每段文字的每个词对应了一个数字。

1、程序首先导入数据；

2、执行程序；

3、运行结果：词频分布直方图；

4、文字情感分析建模；

5、模型先通过训练样本集作为算法的输入，训练完成之后输入测试样本，进行验证模型的优劣；

通过比较测试样本预测的目标变量值与实际样本类别之间的差别，就可以得出算法的实际精确度。统计出文本中观众否定、中立、积极的占比，从而推断出观众对此电影的情感评价。