情感分析(又称为观点挖掘或感情AI)是指使用自然语言处理、文本分析、计算语言学和生物特征识别来系统地识别、提取、量化和研究情感状态和主观信息。情感分析广泛应用于分析客户的心声，如评论和调查回复，在线和社交媒体，以及从市场营销到客户服务再到临床医学的保健材料。
情感分析的目的和挑战可以通过一些简单的例子来说明。
情感分析的一个基本任务是在文档、句子或特征/方面级别对给定文本的极性进行分类，判断在文档、句子或实体特征/方面中表达的意见是积极的、消极的还是中性的。高级的“超越极性”情感分类着眼于诸如“愤怒”、“悲伤”和“快乐”等情绪状态。
进行情感分析的先驱包括“一般询问者”（General Inquirer），[1]它提供了量化文本模式的线索，另外，还提供了基于对人的言语行为进行分析来检查一个人的心理状态的心理学研究。[2]
随后，沃卡尼和福格尔在专利中描述的方法专门[3]研究了情绪，并根据不同的情绪等级识别了文本中的单个单词和短语。基于他们工作的当前系统叫做EffectCheck，其提供的同义词可用于增加或减少每个尺度上的诱发情绪水平。
其他许多后续工作都没有那么复杂，只是从积极到消极的使用了情感的极端观点，例如特尼，[4]还有庞的研究，[5]他们分别使用不同的方法识别产品评论和电影评论的极性。这项工作是在文档级别进行的。人们还可以在多方向尺度上对文档的极性进行分类，彭日成曾试图这样做[6] 斯奈德呢[7] 其中包括:彭和李[6] 扩展了将电影评论分类为正面或负面的基本任务，以预测3星或4星级别的星级，而斯奈德[7] 对餐馆评论进行深入分析，预测给定餐馆的各个方面的评级，例如食物和氛围(五星级别)。
将各种方法结合起来的第一步——学习、词汇、基于知识等。——在2004年的AAAI春季研讨会上，语言学家、计算机科学家和其他感兴趣的研究人员首先联合兴趣，并为文本中的情感、吸引力、主观性和情感的系统计算研究提出了共享任务和基准数据集。[8]
尽管在大多数统计分类方法中，在假设中性文本位于二进制分类器边界附近的情况下，中性类被忽略，但是一些研究人员建议，如同在每个极性问题中一样，必须识别三个类别。此外，可以证明诸如最大熵[9] 和支持向量机[10] 的特定分类器可以受益于中性分类的引入，并提高分类的整体准确性。原则上，中性类有两种操作方式。一：算法首先识别中性语言，过滤掉它，然后根据积极和消极情绪评估其余的语言，二：它在一个步骤中建立一个三向分类。[11] 第二种方法通常涉及估计所有类别的概率分布(例如，由NLTK实现的朴素贝叶斯分类器)。是否以及如何使用中性类取决于数据的性质:如果数据被清晰地归类为中性、消极和积极的语言，过滤掉中性语言并关注积极和消极情绪之间的极性是有意义的。相比之下，如果数据大多是中性的，对积极和消极影响的偏差很小，那么这种策略将使得很难清楚地区分两极。
另一种确定情绪的方法是使用标量系统，其中通常与消极、中立或积极情绪相关联的单词被赋予-10到+10标度(最消极到最积极)或简单地从0到积极上限(如+4)的相关数字。这使得相对于环境(通常在句子的层次上)调整给定术语的情感成为可能。当使用自然语言处理分析一段非结构化文本时，指定环境中的每个概念都会根据情感词与该概念的关联方式及其关联分数获得分数。[12][13] 这允许对情感进行更复杂的理解，因为现在可以相对于围绕它的修改来调整概念的情感值。例如，强化、放松或否定概念表达的情感的词语会影响其得分。或者，如果目标是确定文本中的情绪，而不是文本的整体极性和强度，则可以给文本一个正面和负面情绪强度分数。[14]
这项任务通常被定义为将一个给定的文本(通常是一个句子)分为两类:客观的或主观的。[15] 这个问题有时可能比极性分类更难。[16] 单词和短语的主观性可能取决于它们的上下文，客观文档可能包含主观句子(例如引用人们观点的新闻文章)。此外，正如苏[17]所提到的， 结果很大程度上取决于注释文本时使用的主观性定义。然而，庞[18] 表明在对文档极性进行分类之前从文档中移除客观句子有助于提高性能。
它指的是确定对实体(例如手机、数码相机或银行)的不同特征或方面表达的意见或观点。[19] 特征或方面是实体的属性或组件，例如手机屏幕、餐馆服务或照相机的图像质量。基于特征的情感分析的优势是可以捕捉感兴趣对象的细微差别。不同的特征可以产生不同的情感反应，例如，一个酒店可以有一个方便的位置，但普通的食物。[20] 这个问题涉及几个子问题，例如，识别相关实体，提取它们的特征/方面，以及确定对每个特征/方面表达的意见是积极的、消极的还是中立的。[21] 特征的自动识别可以通过句法方法、主题建模，[22][23] 或者通过深度学习。[24] 关于这种情感分析水平的更详细的讨论可以在刘的工作[25]中找到。
现有的情感分析方法可以分为三大类:基于知识的技术、统计方法和混合方法。[26] 基于知识的技术根据情感类别对文本进行分类，情感类别基于明确的情感词的存在，如快乐、悲伤、害怕和无聊。[27] 一些知识库不仅列出了明显的情感词，还为任意词赋予了特定情感可能的“亲和力”。[28] 统计方法利用机器学习中的元素，例如潜在语义分析、支持向量机、“词袋”、“逐点互信息”来进行语义定位[4]和深度学习。更复杂的方法试图检测情感的持有人(即坚持这一观点的人)和目标(即感受到情感的实体)。[29] 为了挖掘语境中的观点并获得说话者所认为的特征，使用了词的语法关系。语法依存关系是通过对文本的深度解析获得的。[30] 混合方法利用机器学习和来自知识表示的元素，例如本体和语义网络，来检测以微妙方式表达的语义，例如通过分析没有明确传达相关信息但隐含地链接到其他这样做的概念的概念。[31]
开源软件工具以及一系列免费和付费的情感分析工具采用机器学习、统计和自然语言处理技术，对大量文本进行自动情感分析，包括网页、在线新闻、互联网讨论组、在线评论、网络博客和社交媒体。[32] 另一方面，基于知识的系统利用公共资源，提取与自然语言概念相关的语义和情感信息。情感分析也可以在视觉内容上执行，即图像和视频(参见多磨忒情感分析)。朝这个方向发展的第一个方法是SentiBank[33] 利用形容词名词对表示视觉内容。此外，绝大多数情感分类方法依赖于词袋模型，该模型无视上下文、语法甚至词序。基于单词如何组成较长短语的含义来分析情感的方法显示了更好的结果，[34] 但是它们会产生额外的注释开销。
情感分析需要人工分析组件，因为自动化系统不能分析个体评论者或平台的历史趋势，并且经常在他们表达的情感中被错误地分类。自动化影响了大约23%被人类正确分类的评论。[35] 然而，人类经常不同意，并且认为人类之间的一致提供了自动情感分类器最终可以达到的上限。[36]
有时，情感和话题的结构相当复杂。此外，情感分析的问题在句子扩展和停止词替换方面是非单调的(比较 他们不会让我的狗住在这家酒店 相对 我不会让我的狗呆在这家酒店)中。为了解决这个问题，许多基于规则和推理的方法被应用于情感分析，包括可废止逻辑编程。[37] 此外，有许多应用于句法分析树的树遍历规则来提取开放领域设置中的主题情感。[38][39]
原则上，情感分析系统的准确性在于它与人类判断的吻合程度。这通常通过基于准确性和对消极和积极文本这两个目标类别的召回的不同度量来衡量。然而，根据研究，人类评分者通常只同意大约80%[40] 当时(见评分者之间的可靠度)。因此，一个在情感分类上达到70%准确率的程序几乎和人类一样出色，尽管这样的准确率听起来可能并不令人印象深刻。如果一个项目在当时是“正确的”，人类仍然会有20%的时间不同意它，因为他们在这方面有很大的分歧 任何的 回答。[41] 另一方面，计算机系统会产生与人类评估员截然不同的错误，因此这些数字并不完全可比。例如，一个计算机系统在否定、夸大、笑话或讽刺方面会有困难，这些对于人类读者来说通常很容易处理:计算机系统犯的一些错误对人类来说似乎过于天真。一般而言，学术研究中定义的情感分析在实际商业任务中的效用受到质疑，主要是因为简单的从负面到正面的一维情感模型对于担心公共话语对品牌或企业声誉影响的客户来说，产生的可操作信息很少。[42][43][44]
为了更好地适应市场需求，情绪分析的评估已转向更多基于任务的措施，由公关机构和市场研究专业人员的代表共同制定。例如，PlaPlaB评估数据集中的重点不在于所考虑的文本内容，而在于所讨论的文本对品牌声誉的影响。[45][46][47]
博客和社交网络等社交媒体的兴起激发了人们对情感分析的兴趣。 随着评论、评级、建议和其他在线表达形式的激增，在线意见已经成为寻求营销产品、发现新机会和管理声誉的企业的一种虚拟货币。 随着企业寻求自动化过滤噪音、理解对话、识别相关内容并采取适当行动的过程，许多企业现在都转向情感分析领域。[48] 更复杂的是，匿名社交媒体平台如4chan和Reddit的兴起。[49] 如果web 2.0完全是关于出版民主化，那么web的下一阶段很可能是基于对所有即将出版的内容进行数据挖掘民主化。[50]
朝着这个目标迈出的一步是在研究中完成的。目前，世界各地大学的几个研究团队致力于通过情感分析来理解电子社区中的情感动态。[51] 例如，网络情绪项目最近发现了负面情绪在推动社交网络讨论中的作用。[52]
问题是大多数情感分析算法使用简单的术语来表达对产品或服务的情感。 然而，文化因素、语言细微差别和不同的语境使得把一串书面文本变成简单的赞成或反对情绪变得极其困难。[48] 事实上，人类经常在文本的情感上存在分歧，这说明了计算机要把这一点做好是一项多么艰巨的任务。 文本串越短，就越难。
尽管短文本字符串可能是一个问题，微博中的情绪分析表明推特可以被视为政治情绪的有效在线指示器。推特的政治情绪显示出与政党和政治家的政治立场密切相关，这表明推特信息的内容似乎反映了离线政治环境。[53] 此外，推特上的情感分析也被证明能够捕捉到人类在一个行星尺度的生殖周期背后的公众情绪[peacock term],[54] 以及其他与公共健康相关的问题，如药物不良反应。[55]
对于推荐系统，情感分析被证明是一种有价值的技术。推荐系统旨在预测对目标用户的项目的偏好。主流推荐系统工作在显式数据集上。例如，协同过滤对评级矩阵起作用，基于内容的过滤对项目的元数据起作用。
在许多社会网络服务或电子商务网站上，用户可以对项目提供文本评论、评论或反馈。这些用户生成的文本提供了用户对许多产品和项目的情感观点的丰富来源。潜在地，对于一个项目，这样的文本可以揭示该项目的相关特征/方面以及用户对每个特征的情绪。[56] 文本中描述的项目特征/方面在基于内容的过滤中与元数据扮演相同的角色，但是前者对于推荐系统更有价值。由于用户在评论中广泛提及这些特性，因此它们可以被视为最重要的特性，可以显著影响用户对项目的体验，而项目的元数据(通常由生产者而不是消费者提供)可能会忽略用户关注的特性。对于具有共同特征的不同项目，用户可能给出不同的感受。同样，同一项目的一个特性可能会从不同的用户那里接收到不同的情绪。用户对功能的看法可以被视为多维评分，反映他们对项目的偏好。
基于从用户生成的文本中提取的特征/方面和情感，可以构建混合推荐系统。[57] 向用户推荐候选项目有两种动机。第一个动机是候选项目与用户偏好的项目具有许多共同特征，[58] 而第二个动机是候选项目对其特征有很高的评价。对于首选项目，有理由相信具有相同功能的项目将具有相似的功能或用途。因此，这些项目也很可能是用户的首选。另一方面，对于两个候选项目的共同特征，其他用户可能会给其中一个项目积极的情绪，而给另一个项目消极的情绪。显然，应该向用户推荐评价高的项目。基于这两个动机，可以为每个候选项目构建相似性和情感评级的组合排名分数。[57]
除了情感分析本身的困难之外，将情感分析应用于评论或反馈也面临垃圾邮件和有偏见评论的挑战。工作的一个方向是评估每一次审查的有用性。[59] 写得不好的评论或反馈对推荐系统几乎没有帮助。此外，评论可以被设计成阻碍目标产品的销售，因此即使写得很好，对推荐系统也是有害的。
研究人员还发现，用户生成的长文本和短文本应该区别对待。一个有趣的结果表明，短形式的评论有时比长形式的更有帮助，[60] 因为在短格式文本中过滤噪声更容易。对于长文本而言，文本长度的增长并不总是带来文本特征或情感数量的相应增加。
^Stone, Philip J., Dexter C. Dunphy, and Marshall S. Smith. "The general inquirer: A computer approach to content analysis." MIT Press, Cambridge, MA (1966)..
^Gottschalk, Louis August, and Goldine C. Gleser. The measurement of psychological states through the content analysis of verbal behavior. Univ of California Press, 1969..
^USA Issued 7,136,877, Volcani, Yanon; & Fogel, David B., "System and method for determining and controlling the impact of text", published June 28, 2001..
^Turney, Peter (2002). "Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews". Proceedings of the Association for Computational Linguistics. pp. 417–424. arXiv:cs.LG/0212032..
^Pang, Bo; Lee, Lillian; Vaithyanathan, Shivakumar (2002). "Thumbs up? Sentiment Classification using Machine Learning Techniques". Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP). pp. 79–86..
^Pang, Bo; Lee, Lillian (2005). "Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales". Proceedings of the Association for Computational Linguistics (ACL). pp. 115–124..
^Snyder, Benjamin; Barzilay, Regina (2007). "Multiple Aspect Ranking using the Good Grief Algorithm". Proceedings of the Joint Human Language Technology/North American Chapter of the ACL Conference (HLT-NAACL). pp. 300–307..
^Qu, Yan, James Shanahan, and Janyce Wiebe. "Exploring attitude and affect in text: Theories and applications." In AAAI Spring Symposium) Technical report SS-04-07. AAAI Press, Menlo Park, CA. 2004..
^Vryniotis, Vasilis (2013). The importance of Neutral Class in Sentiment Analysis..
^Koppel, Moshe; Schler, Jonathan (2006). "The Importance of Neutral Examples for Learning Sentiment". Computational Intelligence 22. pp. 100–109. CiteSeerX 10.1.1.84.9735..
^Ribeiro, Filipe Nunes; Araujo, Matheus (2010). "A Benchmark Comparison of State-of-the-Practice Sentiment Analysis Methods". Transactions on Embedded Computing Systems. 9 (4)..
^Taboada, Maite; Brooke, Julian (2011). "Lexicon-based methods for sentiment analysis". Computational Linguistics. 37 (2): 272–274. doi:10.1162/coli_a_00049..
^Augustyniak, Łukasz; Szymański, Piotr; Kajdanowicz, Tomasz; Tuligłowicz, Włodzimierz (2015-12-25). "Comprehensive Study on Lexicon-based Ensemble Classification Sentiment Analysis". Entropy (in 英语). 18 (1): 4. Bibcode:2015Entrp..18....4A. doi:10.3390/e18010004..
^Thelwall, Mike; Buckley, Kevan; Paltoglou, Georgios; Cai, Di; Kappas, Arvid (2010). "Sentiment strength detection in short informal text". Journal of the American Society for Information Science and Technology. 61 (12): 2544–2558. CiteSeerX 10.1.1.278.3863. doi:10.1002/asi.21416..
^Pang, Bo; Lee, Lillian (2008). "4.1.2 Subjectivity Detection and Opinion Identification". Opinion Mining and Sentiment Analysis. Now Publishers Inc..
^Mihalcea, Rada; Banea, Carmen; Wiebe, Janyce (2007). "Learning Multilingual Subjective Language via Cross-Lingual Projections" (PDF). Proceedings of the Association for Computational Linguistics (ACL). pp. 976–983. Archived from the original (PDF) on 2010-07-08..
^Su, Fangzhong; Markert, Katja (2008). "From Words to Senses: a Case Study in Subjectivity Recognition" (PDF). Proceedings of Coling 2008, Manchester, UK..
^Pang, Bo; Lee, Lillian (2004). "A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts". Proceedings of the Association for Computational Linguistics (ACL). pp. 271–278..
^Hu, Minqing; Liu, Bing (2004). "Mining and Summarizing Customer Reviews". Proceedings of KDD 2004..
^Cataldi, Mario; Ballatore, Andrea; Tiddi, Ilaria; Aufaure, Marie-Aude (2013-06-22). "Good location, terrible food: detecting feature sentiment in user-generated reviews". Social Network Analysis and Mining. 3 (4): 1149–1163. CiteSeerX 10.1.1.396.9313. doi:10.1007/s13278-013-0119-7. ISSN 1869-5450..
^Liu, Bing; Hu, Minqing; Cheng, Junsheng (2005). "Opinion Observer: Analyzing and Comparing Opinions on the Web". Proceedings of WWW 2005..
^Zhai, Zhongwu; Liu, Bing; Xu, Hua; Jia, Peifa (2011-01-01). Huang, Joshua Zhexue; Cao, Longbing; Srivastava, Jaideep, eds. Constrained LDA for Grouping Product Features in Opinion Mining. Lecture Notes in Computer Science. Springer Berlin Heidelberg. pp. 448–459. CiteSeerX 10.1.1.221.5178. doi:10.1007/978-3-642-20841-6_37. ISBN 978-3-642-20840-9..
^Titov, Ivan; McDonald, Ryan (2008-01-01). Modeling Online Reviews with Multi-grain Topic Models. Proceedings of the 17th International Conference on World Wide Web. WWW '08. New York, NY, USA: ACM. pp. 111–120. arXiv:0801.1063. doi:10.1145/1367497.1367513. ISBN 978-1-60558-085-2..
^Poria, Soujanya; et al. (2016). "Aspect extraction for opinion mining with a deep convolutional neural networking". Knowledge-Based Systems. 108: 42–49. doi:10.1016/j.knosys.2016.06.009..
^Liu, Bing (2010). "Sentiment Analysis and Subjectivity" (PDF). In Indurkhya, N.; Damerau, F. J. Handbook of Natural Language Processing (Second ed.)..
^Cambria, E; Schuller, B; Xia, Y; Havasi, C (2013). "New avenues in opinion mining and sentiment analysis". IEEE Intelligent Systems. 28 (2): 15–21. CiteSeerX 10.1.1.688.1384. doi:10.1109/MIS.2013.30..
^Ortony, Andrew; Clore, G; Collins, A (1988). The Cognitive Structure of Emotions (PDF). Cambridge Univ. Press. Archived from the original (PDF) on 2015-11-23..
^Stevenson, Ryan; Mikels, Joseph; James, Thomas (2007). "Characterization of the Affective Norms for English Words by Discrete Emotional Categories" (PDF). Behavior Research Methods. 39 (4): 1020–1024. doi:10.3758/bf03192999. PMID 18183921..
^Kim, S. M.; Hovy, E. H. (2006). "Identifying and Analyzing Judgment Opinions." (PDF). Proceedings of the Human Language Technology / North American Association of Computational Linguistics conference (HLT-NAACL 2006). New York, NY. Archived from the original (PDF) on 2011-06-29..
^Dey, Lipika; Haque, S. K. Mirajul (2008). "Opinion Mining from Noisy Text Data". Proceedings of the second workshop on Analytics for noisy unstructured text data, p.83-90..
^Cambria, E; Hussain, A (2015). Sentic Computing: A Common-Sense-Based Framework for Concept-Level Sentiment Analysis. Springer. ISBN 9783319236544..
^Akcora, Cuneyt Gurcan; Bayir, Murat Ali; Demirbas, Murat; Ferhatosmanoglu, Hakan (2010). "Identifying breakpoints in public opinion". SigKDD, Proceedings of the First Workshop on Social Media Analytics..
^Borth, Damian; Ji, Rongrong; Chen, Tao; Breuel, Thomas; Chang, Shih-Fu (2013). "Large-scale Visual Sentiment Ontology and Detectors Using Adjective Noun Pairs". Proceedings of ACM Int. Conference on Multimedia. pp. 223–232..
^Socher, Richard; Perelygin, Alex; Wu, Jean Y.; Chuang, Jason; Manning, Christopher D.; Ng, Andrew Y.; Potts, Christopher (2013). "Recursive deep models for semantic compositionality over a sentiment treebank". In Proceedings of EMNLP: 1631–1642. CiteSeerX 10.1.1.593.7427..
^"Case Study: Advanced Sentiment Analysis". Retrieved 18 October 2013..
^Mozetič, Igor; Grčar, Miha; Smailović, Jasmina (2016-05-05). "Multilingual Twitter Sentiment Classification: The Role of Human Annotators". PLOS ONE. 11 (5): e0155036. arXiv:1602.07563. Bibcode:2016PLoSO..1155036M. doi:10.1371/journal.pone.0155036. ISSN 1932-6203. PMC 4858191. PMID 27149621..
^Galitsky, Boris; McKenna, Eugene William. "Sentiment Extraction from Consumer Reviews for Providing Product Recommendations". Retrieved 18 November 2013..
^Galitsky, Boris; Dobrocsi, Gabor; de la Rosa, Josep Lluís (2010). "Inverting Semantic Structure Under Open Domain Opinion Mining". FLAIRS Conference..
^Galitsky, Boris; Chen, Huanjin; Du, Shaobin (2009). "Inversion of Forum Content Based on Authors' Sentiments on Product Usability". AAAI Spring Symposium: Social Semantic Web: Where Web 2.0 Meets Web 3.0: 33–38..
^Ogneva, M. "How Companies Can Use Sentiment Analysis to Improve Their Business". Mashable. Retrieved 2012-12-13..
^Roebuck, K. (2012-10-24). Sentiment Analysis: High-impact Strategies - What You Need to Know: Definitions, Adoptions, Impact, Benefits, Maturity, Vendors. ISBN 9781743049457..
^Karlgren, Jussi, Magnus Sahlgren, Fredrik Olsson, Fredrik Espinoza, and Ola Hamfors. "Usefulness of sentiment analysis." In European Conference on Information Retrieval, pp. 426-435. Springer Berlin Heidelberg, 2012..
^Karlgren, Jussi. "The relation between author mood and affect to sentiment in text and text genre." In Proceedings of the fourth workshop on Exploiting semantic annotations in information retrieval, pp. 9-10. ACM, 2011..
^Karlgren, Jussi. "Affect, appeal, and sentiment as factors influencing interaction with multimedia information." In Proceedings of Theseus/ImageCLEF workshop on visual information retrieval evaluation, pp. 8-11. 2009..
^Amigó, Enrique, Adolfo Corujo, Julio Gonzalo, Edgar Meij, and Maarten de Rijke. "Overview of RepLab 2012: Evaluating Online Reputation Management Systems." In CLEF (Online Working Notes/Labs/Workshop). 2012..
^Amigó, Enrique, Jorge Carrillo De Albornoz, Irina Chugur, Adolfo Corujo, Julio Gonzalo, Tamara Martín, Edgar Meij, Maarten de Rijke, and Damiano Spina. "Overview of replab 2013: Evaluating online reputation monitoring systems." In International Conference of the Cross-Language Evaluation Forum for European Languages, pp. 333-352. Springer Berlin Heidelberg, 2013..
^Amigó, Enrique, Jorge Carrillo-de-Albornoz, Irina Chugur, Adolfo Corujo, Julio Gonzalo, Edgar Meij, Maarten de Rijke, and Damiano Spina. "Overview of replab 2014: author profiling and reputation dimensions for online reputation management." In International Conference of the Cross-Language Evaluation Forum for European Languages, pp. 307-322. Springer International Publishing, 2014..
^Wright, Alex. "Mining the Web for Feelings, Not Facts", New York Times, 2009-08-23. Retrieved on 2009-10-01..
^"Sentiment Analysis on Reddit". Retrieved 10 October 2014..
^Kirkpatrick, Marshall. ", ReadWriteWeb, 2009-04-15. Retrieved on 2009-10-01..
^CORDIS. "Collective emotions in cyberspace (CYBEREMOTIONS)", European Commission, 2009-02-03. Retrieved on 2010-12-13..
^Condliffe, Jamie. "Flaming drives online social networks ", New Scientist, 2010-12-07. Retrieved on 2010-12-13..
^Tumasjan, Andranik; O.Sprenger, Timm; G.Sandner, Philipp; M.Welpe, Isabell (2010). "Predicting Elections with Twitter: What 140 Characters Reveal about Political Sentiment". "Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media".
^I.B Wood, P.L. Varela, J. Bollen, L.M. Rocha, J. Gonçalves-Sá "Human Sexual Cycles are Driven by Culture and Match Collective Moods". Scientific Reports., 7:17973. doi: 10.1038/s41598-017-18262-5, 2017.
^Korkontzelos, I., Nikfarjam, A., Shardlow, M., Sarker, A., Ananiadou, S., & Gonzalez, G. H. "Analysis of the effect of sentiment analysis on extracting adverse drug reactions from tweets and forum posts". Journal of biomedical informatics., 62:148-158. doi: 10.1016/j.jbi.2016.06.007, 2016.
^Tang, Huifeng; Tan, Songbo; Cheng, Xueqi (2009). "A survey on sentiment detection of reviews" (PDF). Expert Systems with Applications. 36 (7): 10760–10773. doi:10.1016/j.eswa.2009.02.063..
^Jakob, Niklas, et al. "Beyond the stars: exploiting free-text user reviews to improve the accuracy of movie recommendations." Proceedings of the 1st international CIKM workshop on Topic-sentiment analysis for mass opinion. ACM, 2009..
^Minqing, Hu; Liu, Bing (2004). "Mining opinion features in customer reviews" (PDF). AAAI. 4 (4)..
^Liu, Yang; Huang, Xiangji; An, Aijun; Yu, Xiaohui (2008). "Modeling and predicting the helpfulness of online reviews" (PDF). ICDM'08. Eighth IEEE international conference on Data mining. IEEE. pp. 443–452. doi:10.1109/ICDM.2008.94. ISBN 978-0-7695-3502-9..
^Bermingham, Adam; Smeaton, Alan F. (2010). Classifying sentiment in microblogs: is brevity an advantage? (PDF). Proceedings of the 19th ACM International Conference on Information and Knowledge Management. p. 1833. doi:10.1145/1871437.1871741. ISBN 9781450300995..
暂无