如題，題主看的很多文章關於aspect-level或者target-dependent這種fine-grained情感分析都是在固定的數據集上測試自己提出來的模型，訓練集跟測試集都是標註好了實體跟情感傾向，在實際應用過程中難道也需要在測試集中提取實體嗎？

---

對近兩年的情感分類技術不久前寫過一篇綜述論文。關於你這個問題，很好回答。

關於細粒度情感分析(fine-grained SA)，每個人的提法可能不太一樣，比如在zhang vo下是 open domain SA。並且還可以細分，根據我所調研過的文章，fine-grained SA 包括這些個類型：entity-oriented、aspect-oriented、topic-oriented，不過大同小異，都是在更細粒度的target上做情感分類。

你的puzzle是fine-grained SA的建模問題( task modeling)，關於task modeling of fine-grained SA, 就兩種方式：

a. joint model。就是我把 fine-grained SA任務視為序列標註問題，我的模型同時能將所有的targets以及sentiment polarities towards the correspoding targets通過合理的標註集設計，由序列標註模型一步產生。非常類似實體事件的聯合抽取任務。

b. pipeline。就是，第一步先去抽取出所有的target，至於具體採用了什麼抽取手段我不需要管，反正在第一步我先講語料中的target全部確定好了。第二步，我將標記好了target的訓練語料來訓練我的情感分類模型(注意現此步為情感分類sentiment classification)，最後inference samples with unknown sentiment orientation。當然即便是sentiment classification，也是大部分人採用了序列相關模型, e.g., RNN related，CRF advanced ……

現在近幾年的文章（絕大部分），都是屬於後者，也就是純粹的情感分類任務。只有小部分採用的聯合抽取模型。

所以你的問題：為什麼你看到的在論文上都是「在固定的數據集上測試自己提出來的模型，訓練集跟測試集都是標註好了實體跟情感傾向」。這是因為你看過的文章全都是屬於第二種建模方式。

另外，關於細粒度情感分析「在實際應用」，是這樣的一個場景（或過程）：

a. 抽取target信息（注意，在a. 粗粒度如document/sentence-level; b. joint model 中就不需要了這一步）；

b. 情感分類；

c. make sentiment summarization for next use in real world applications. 情感分析實際應用中，我肯定是從海量語料中抽取很多很多的情感類別信息出來，最後我得通過分析，加工，進一步得出更有價值的內容來，供下一步使用（畢竟NLP也是現在很多數據處理系統的第一步的工作），比如說，我將大量的對某個target比如某個手機電池的情感，做一個情感極性的統計，最後得出在1w個用戶中80%都是對其滿意的。就這樣。

可以參考12年Liu Bing的Sentiment Analysis and Opinion Minig。

---

你為什麼覺得我會懂你提的問題，我都看不懂你說了些什麼

---

SemEval-2017 Task 5?

alt.qcri.org

這個shared task算是一個，出給學生當作業了。我不做sentiment analysis，所知也很有限。

---

推薦閱讀：

相关文章