可以根据文本的结构来猜测用户的情绪吗？

Question

我假设需要使用自然语言处理器来解析文本本身，但是对于根据用户编写的文本检测用户情绪的算法，您有什么建议吗？我怀疑它是否非常准确，但我仍然感兴趣。

编辑:我绝对不是语言学或自然语言处理方面的专家，所以如果这个问题太笼统或太愚蠢，我道歉。

Answer 1

这是称为sentiment analysis的自然语言处理领域的基础。尽管你的问题很笼统，但它肯定不是愚蠢的--例如，亚马逊对产品评论中的文本进行了这种研究。

如果你是认真的，那么一个简单的版本可以通过以下方式实现-

1. Acquire是一个正面/负面情绪的语料库。如果这是一个专业项目，你可能会花一些时间自己手动标注语料库，但如果你很匆忙，或者只是想一开始尝试一下，那么我建议你看看Bo Pang和Lillian Lee的研究中的sentiment polarity corpus。使用该语料库的问题是它不是为您的领域量身定做的(具体地说，语料库使用电影评论)，但它仍然应该将您的数据集applicable.
2. Split到句子中，无论是积极的还是消极的。对于情感极性语料库，你可以将每个评论分成它的复合句子，然后将整个情感极性标签(积极或消极)应用到所有这些句子。将语料库分为两部分- 90%用于训练，10%用于测试。如果你使用的是Weka，那么它可以处理将机器学习算法(如支持向量机，朴素贝叶斯，最大熵)的语料库拆分到单词级别的训练语料库。这个模型被称为bag of words model，它只是将句子表示为它所组成的单词。这与许多垃圾邮件过滤器运行的模型相同。为了更好地介绍机器学习算法，有一个名为Weka的应用程序，它实现了一系列这些算法，并为您提供了一个操作它们的图形用户界面。然后，您可以从尝试使用此model.
3. Apply对测试语料库进行分类时所犯的错误中测试机器学习模型的性能。此机器学习算法将此机器学习算法发送给您的用户posts。对于每个用户帖子，将帖子分成句子，然后使用机器学习的模型对其进行分类。

所以，是的，如果你是认真的，那么它是可以实现的-即使没有计算语言学的经验。这将是一个相当多的工作，但即使使用基于word的模型也可以获得良好的结果。

如果您需要更多帮助，请随时联系我-我总是很乐意帮助其他对NLP感兴趣的人。]

小笔记-

1. 仅仅是将一段文本分成几个句子，这是一个称为sentence boundary detection的领域。有许多工具，开源或免费，可以做到这一点，但对于你的任务，一个简单的空格和标点符号拆分应该是fine.
2. SVMlight也是另一个机器学习器考虑，事实上，他们的归纳支持向量机做了一个类似的任务，我们正在研究-试图分类哪些路透社文章是关于“企业收购”与1000个积极和1000个消极的examples.
3. Turning句子到特征进行分类可能需要一些工作。在这个模型中，每个单词都是一个特征-这需要对句子进行标记化，这意味着将单词和标点符号彼此分开。另一个技巧是将所有单独的单词标记都小写，这样“我恨你”和“我恨你”最终都会被认为是相同的。有了更多的数据，你可以尝试并包括大写是否有助于对某人是否生气进行分类，但我相信，至少在最初的努力中，单词应该足够了。

编辑

我刚刚发现LingPipe实际上有一个tutorial on sentiment analysis，它使用了我刚才提到的Bo Pang和Lillian Lee情感极性语料库。如果您使用Java，这可能是一个很好使用的工具，即使不是这样，它也会经历我上面讨论的所有步骤。

Answer 2

毫无疑问，根据用户输入的文本来判断用户的情绪是可能的，但这不是一件微不足道的事情。我能想到的事情：

• 大写字母倾向于表示激动、烦恼或沮丧，当然是一种情绪反应，但一些新手这样做是因为他们没有意识到重要性，所以你不能假设不看他们写的其他东西(以确保这不是caps);
• Capitals中的全部只是强调的一种形式)。有些人在使用emotional;
• Scanning时会犯更多的拼写、语法错误和打字错误，因为表情图标可以让你很清楚地了解用户的感受，但也可能是这样的:)可以被解释为快乐，"I
• so“，甚至带有讽刺意味；
• 使用咒语往往有明确的含义，但也不明确。许多人的口语化演讲通常会包含一些四个字母的单词。对于其他一些人来说，他们甚至不会说“地狱”，而是说“significant;
• Groups”，所以任何脏话(甚至是“colloquial;
• Exclamation”)都是标点符号的significant；
• Groups(比如@#$@$@)，在咒骂词不一定合适的情况下，往往会被脏话取代，所以这不太可能是表示惊讶、震惊或exasperation.

的脏话。

你可能想看看Advances in written text analysis，甚至是Determining Mood for a Blog by Combining Multiple Sources of Evidence。

最后，值得注意的是，书面文本通常被认为比实际情况更负面。这是公司电子邮件交流中的一个常见问题，只是举个例子。

Answer 3

我真不敢相信我是认真对待这件事的。假设一个一维的情绪空间：

如果文本中包含脏话，-10 ，

• ，

，

• ，

，

• 。，我认为感叹号往往是负面的，所以-2情绪。，

，

• ，当我沮丧时，我会输入非常。短的。句子。-5情绪。

我越是思考这个问题，就越清楚地知道，这些符号中的许多通常都表示极端的情绪，但并不总是清楚是哪种情绪。