Nlp 实体情绪分析（实体级情绪分析）

在过去的一年里，我一直在从事文档级情绪分析。文档级情绪分析提供完整文档的情绪。例如，文本“诺基亚不错，但沃达丰糟糕透顶”会有一个与之相关的负极性，因为它对实体诺基亚和沃达丰是不可知的。如何才能获得实体层面的情绪，比如对诺基亚有利，但对沃达丰不利？是否有任何研究论文提供了此类问题的解决方案？

您可以查找实体及其相关者，并有一个简单的启发式方法，比如从最接近的情感术语中给出每个实体的情感，可能在依赖项解析树中按距离最接近，而不是线性。这些步骤中的每一步似乎都是一个开放的研究主题

---

您可以尝试方面层面或实体层面情绪分析。我们已经做了很多努力来寻找关于句子中各个方面的观点。你可以找到一些作品。您还可以更深入地阅读与特征（方面）提取相关的论文。这是什么意思？让我举个例子：

“屏幕质量很好，但电池寿命很短。”

文档级别的情绪分析可能无法提供此文档的真实含义，因为文档中有一个肯定句和一个否定句。然而，通过基于方面（方面级别）的意见挖掘，我们可以分别找出文档中不同实体的意义/极性。通过进行特征提取，在第一步中，您尝试在不同的句子中找到特征（方面）（在这里是“屏幕质量”或简单的“质量”和“电池寿命”）。之后，当你有这些方面时，你会尝试提取与这些方面相关的意见（“质量”的“好”和“电池寿命”的“短”）。在研究和学术论文中，我们还将特征（方面）命名为目标词（用户评论的词或实体），并将意见命名为意见词，即对目标词的评论

---

通过搜索我刚才提到的关键词，您可以更加熟悉这些概念。

我也尝试过获取有关这方面的研究文章，但没有找到任何。我建议您尝试使用基于方面的情绪分析算法。我发现的相似之处在于，我们识别句子中单个实体的各个方面，然后找到每个方面的情绪。同样，我们可以使用相同的算法来训练我们的模型，该算法可以检测实体，就像检测方面一样，并找到这些实体的情绪。我没有试过，但我会的。让我知道这是否有效。还有很多方法可以做到这一点。以下是几篇文章的链接

---

这可以通过使用谷歌云自然语言API实现

---

您可能需要查找有关声誉管理的论文。但是，完全自动完成这项工作是一个开放的研究问题。那么其他语言呢？或者俚语和非结构化英语，其中依赖解析树是最有问题的。不准确？“有一些统计规则或其他方法吗？”HadyElsahar，你提到的所有这些问题都是这一研究领域的主要挑战。不同语言的特点会直接影响文档的分析过程。例如，波斯语在许多方面与英语不同。因此，您可能无法像英语一样用波斯语处理挑战（例如，标记化在英语中相当简单，但在波斯语中由于某些词缀的存在而不是那么容易）。此外，解析树只是解决该问题的一种选择。您也可以使用其他方法作为您的功能。我可以注意到这个问题已经有3年了吗？不想对这个问题作进一步的回答，特别是如果它能让未来的读者受益的话，但是我觉得在这一点上给OP他/她自己的建议有点太晚了。还有其他可用的工具吗？Amazon Encription是我遇到的另一个NLP工具。Encription不做实体级情绪分析。Aspect level是实体级情绪分析的一个特例。我认为我们需要更广泛的实体层面情绪分析。此外，大多数与ABSA挑战相关的作品都在非常有限的领域范围内。@MonaJalal你是对的，但是，人们有时会在文献中交替使用这两个术语，方面和实体级情绪分析（SA）。一般而言，在方面层面SA中，“目标是发现并汇总文档或其方面中提到的实体的情绪。”Schouten和Frasincar（2016）