snownlp情感分析原理 senta情感分析

中文情感分析 的难点在哪

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。到了第三步，情感挖掘就升级到意见挖掘（Opinio步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。n Mining）了。

如何利用hownet进行情感极性分析

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。都是它这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

snownlp情感分析原理 senta情感分析

snownlp情感分析原理 senta情感分析

中文情感分析 的难点在哪

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

接但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。下第二步，就是识别一个句子是积极还是消极，是主观还是客观。来还可以对比不同产品的评价，并且可视化出来。如图。

中文情感分析 的难点在哪

中文这个领域的研究其实很完善了，技术也很这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。成熟。但需要完善前期情感分析的准确度。这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

中文情感分析 的难点在哪

但在中文领域，判断积极和消极已经有不少词典资但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文情感分析 的难点在哪

中文领域的难度：还是词典太。还有就是用机器学习方法判断主客观非常麻如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP. 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。练得到分类器之后就可以把评论分成积极消极、主观客观了。烦，一般需要人工标注。

中文情感分析 的难点在哪

英文已经有伟大词典资源：SentiWordNet这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。. 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

中文情感分析 的难点在哪

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

接下来还可以对比不同产品的评价，并且可视化出分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。来。如图。

中文情感分析 的难点在哪

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

中文领域的难度：还是词典太。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

如何利用hownet进行情感极性分析

分析完每一条评论但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。同产品的评价，并且可视化出来。如图。

中文情感分析 的难点在哪

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

情感分析（Sentiment第二步，就是识别一个句子是积极还是消极，是主观还是客观。 Analysis）