情感分析
定义
情感分析指借助计算机方法分析文本中针对特定对象及其属性所表达的观点、情绪、评价、态度和情感，其研究对象可以是产品、服务、机构、人物、事件或议题[1]。与之同义的称呼还有意见挖掘、意见抽取、主观性分析和评论挖掘等，这些名称下略有差异的任务如今都归入情感分析的范畴[1]。
在任务划分上，情感分析可按处理单位分为词语级、句子级、篇章级和方面级等形式。其中方面级情感分析针对文本中提到的具体实体或属性判断情感倾向，被视为粒度较细的一类任务[3]。从更完整的角度看，一条意见可以拆成评价对象、对象属性、情感倾向、意见持有者和表达时间等要素，情感分析即围绕这些要素展开抽取与判定[4]。
原理
情感分析系统的典型流程包括文本预处理、特征表示和情感判定三个环节。预处理完成分词、去除噪声符号等操作，特征表示把词语转换为可供模型计算的向量，判定环节则输出情感极性、强度或情绪类别[5]。
按技术路线，常见方法可分为基于情感词典的方法、传统机器学习方法和深度学习方法。词典方法依靠预先编制的情感词表为词语赋分并累加极性，可解释性较强，但对语境、否定范围和反讽的处理能力有限[5]。传统机器学习方法多以支持向量机、朴素贝叶斯、逻辑回归等分类器配合人工设计的特征完成分类[5]。
深度学习方法使用卷积神经网络、循环神经网络等结构自动学习文本的局部语义与序列依赖，减少了对人工特征的依赖[5]。以 BERT、RoBERTa 为代表的预训练语言模型通过大规模语料预训练获得上下文相关的表示，再经微调用于情感分类，已成为常见的基线方案[5]。近年也有研究将大语言模型直接用于情感分析，利用其零样本与少样本能力处理多种情感任务[6]。
在方面级任务中，模型需要把评价对象与其对应的情感表述对齐，常用注意力机制、句法依存信息和图神经网络来刻画属性词与上下文词之间的关系[7]。注意力计算的通用形式可写为 $\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{QK^{\top}}{\sqrt{d_k}}\right)V$，其中 $d_k$ 为缩放因子。
发展历程
情感与观点相关的计算研究在 2000 年前后开始出现，早期工作涉及情感形容词抽取、主观性分析和情感计算等方向[1]。sentiment analysis 这一术语大致最早见于 2003 年的文献，opinion mining 一词也在同年前后提出[1]。
2004 年，一项发表于知识发现与数据挖掘会议的研究提出了基于属性的情感分析与意见摘要框架，其中的基本思路和算法后来被研究和工业系统广泛采用[1]。该工作最初把这类任务称为基于特征的意见挖掘，后来演变为方面级情感分析这一名称[3]。
2014 年前后，评测会议推出了面向推文情感和方面级情感分析的共享任务，为不同系统提供了统一的比较基准。同一时期公开的餐厅与笔记本电脑领域评测数据，长期被用作方面级情感分类的标准测试集[8]。
随着社交媒体内容规模扩大，情感分析的研究重心从词典与浅层分类器逐步转向神经网络与预训练模型[2]。预训练模型与参数高效微调方法的引入，使跨领域迁移和多任务复用更加可行，同时也带来了算力开销与提示敏感等新问题[5]。
应用
在商业场景中，情感分析可用于跟踪消费者对产品、服务和品牌的评价，帮助了解用户对具体属性的满意程度。电商评论分析是其中较典型的用法，系统可从评论中抽取产品属性并判断对应的情感倾向[8]。
在公共议题方面，情感分析被用于监测社交媒体上针对事件、人物和话题的情绪走向。相关综述也把舆情与趋势监测视为该技术的应用方向之一，并强调消息级分类与时间序列预测是两类不同的任务[9]。
在客户服务与人机交互中，情感判定可用于改进客户关系模型、评估用户满意度，并为对话系统提供情绪线索。此外，情感分析还与幸福感与心理健康监测等研究相结合。
局限
现有系统对反讽、讽刺等修辞的处理仍不稳定。讽刺往往使字面极性发生反转，容易误导以词面线索为基础的分类器，在纯文本和低资源条件下尤为明显[10]。有研究指出，即使整体评测表现较好的基于变换器的模型，也常在复杂否定和反讽样本上判断错误[5]。
领域适应是另一项持续存在的问题。多数模型在笔记本电脑、餐厅等特定领域数据上训练，迁移到新的或混合领域时性能下降，通常需要额外的数据或适配手段[10]。平台差异也会带来影响，不同平台上讽刺的表达方式与标注方式不一致，使跨平台泛化变得困难[11]。
细粒度语义理解仍有不足。对隐含属性或多属性句子的情感判定需要较深的上下文推理，浅层句法模型和传统方法难以胜任[10]。高质量标注数据的缺乏同样制约训练与评估，现有数据集往往缺少讽刺标注或多属性标注[10]。
在部署层面，图神经网络和基于变换器的混合模型需要较多计算资源，限制了在实时或资源受限环境中的使用[10]。大语言模型虽然覆盖任务广，但存在对提示设计敏感、推理成本较高等问题[5]。此外，深度模型的决策过程可解释性有限，也使高风险场景中的应用受到约束[12]。
参见
参考资料
- cambridge.org 上的网页 [引用日期2026-10-29]
- Sentiment Analysis and Opinion Mining [引用日期2026-10-29]
- cambridge.org 上的网页 [引用日期2026-10-29]
- Introduction [引用日期2026-10-29]
- s10462-026-11684-6_reference(PDF) [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- zenodo.org 上的网页 [引用日期2026-10-29]
- First, domain adaptability remains a persistent issue [引用日期2026-10-29]
- ac.at 上的文件 [引用日期2026-10-29]
- zenodo.org 上的 PDF 文件 [引用日期2026-10-29]