情感分析：挖掘观点、情感和情绪(原书第2版)

这本书可以作为情感分析领域的入门读物和研究概览。主要从自然语言处理的角度全面地介绍情感分析这个主题的研究技术和实用算法，以帮助读者了解通常用于表达观点和情感的问题和语言结构的基本结构。它涵盖了情感分析的所有核心领域，包括许多新兴的主题，如辩论分析、意图挖掘、假民意检测，并提出了可用来分析和总结观点的计算方法。

<br/>刘兵（Bing Liu）美国伊利诺伊大学芝加哥分校（UIC）计算机科学系教授，获爱丁堡大学获得人工智能博士学位。他是ACM Fellow、AAAI Fellow、IEEE Fellow，曾担任ACM SIGKDD主席（7/1/2013 - 6/30/2017）。刘兵教授两次获得KDD十年Test-of-time论文奖，出版多部专著，是数据挖掘、机器学习、情感分析领域最有影响力的学者之一。主要研究领域包括情感分析和观点挖掘、数据挖掘、机器学习、自然语言处理等。 刘兵教授目前是ACM Transactions on the Web等五个国际期刊的副主编，曾经担任ICDM 2010、KDD 2008等6个重要国际会议的程序委员会主席，17个会议的副主席，担任国际会议程序委员会成员超过100次。做特邀报告50余次。先后在国际著名学术期刊与重要国际学术会议（如KDD、WWW、AAAI、SIGIR、ICML、TKDE等）上发表论文100多篇。

前言<br/>致谢<br/>第1章　引言1<br/>1.1　情感分析应用4<br/>1.2　情感分析研究7<br/>1.2.1　针对不同文本颗粒度的情感分析研究7<br/>1.2.2　情感词典以及研究问题9<br/>1.2.3　辩论与评论分析10<br/>1.2.4　意图挖掘10<br/>1.2.5　垃圾观点检测与评论质量10<br/>1.3　情感分析是一个迷你自然语言处理任务11<br/>1.4　本书撰写方式12<br/>第2章　情感分析概述14<br/>2.1　观点定义15<br/>2.1.1　观点的定义15<br/>2.1.2　情感对象16<br/>2.1.3　观点中的情感17<br/>2.1.4　简化的观点定义19<br/>2.1.5　观点的原因和限定条件20<br/>2.1.6　情感分析的目标和任务21<br/>2.2　观点摘要定义25<br/>2.3　感受、情绪、心情26<br/>2.3.1　心理学中的感受、情绪、心情27<br/>2.3.2　情绪28<br/>2.3.3　心情30<br/>2.3.4　感觉32<br/>2.3.5　情感分析中的感受、情绪和心情33<br/>2.4　观点的不同类型35<br/>2.4.1　常规型观点和比较型观点35<br/>2.4.2　主观和隐含在事实中的观点36<br/>2.4.3　第一人称和非第一人称观点39<br/>2.4.4　元观点39<br/>2.5　作者和读者视角40<br/>2.6　小结40<br/>第3章　文档级情感分类42<br/>3.1　基于监督的情感分类43<br/>3.1.1　基于传统机器学习算法的情感分类方法44<br/>3.1.2　使用自定义的打分函数进行情感分类50<br/>3.1.3　基于深度学习的情感分类51<br/>3.1.4　基于终身学习的情感分类53<br/>3.2　无监督情感分类56<br/>3.2.1　基于句法模板和网页检索的情感分类56<br/>3.2.2　基于情感词典的情感分类58<br/>3.3　情感评分预测60<br/>3.4　跨领域情感分类61<br/>3.5　跨语言情感分类63<br/>3.6　文档的情绪分类64<br/>3.7　小结65<br/>第4章　句子级主客观和情感分类67<br/>4.1　主观性68<br/>4.2　句子级主客观分类69<br/>4.3　句子级情感分类72<br/>4.3.1　句子级情感分类的前提假设72<br/>4.3.2　传统分类方法73<br/>4.3.3　基于深度学习的分类方法74<br/>4.4　处理条件句76<br/>4.5　处理讽刺句78<br/>4.6　跨语言主客观和情感分类80<br/>4.7　在情感分类中使用语篇信息81<br/>4.8　句子级情绪分类82<br/>4.9　多模态情感和情绪分类83<br/>4.10　小结84<br/>第5章　属性级情感分类86<br/>5.1　属性级情感分类概述87<br/>5.1.1　基于监督学习的方法87<br/>5.1.2　基于词典的方法90<br/>5.1.3　两种方法的优缺点93<br/>5.2　情感组合规则94<br/>5.2.1　情感组合规则概述95<br/>5.2.2　情感减弱和情感增强表达101<br/>5.2.3　SMALL_OR_LESS和LARGE_OR_MORE表达103<br/>5.2.4　情绪和情感强度105<br/>5.2.5　情感词的含义106<br/>5.2.6　其他方法概述108<br/>5.3　否定和情感109<br/>5.3.1　否定词109<br/>5.3.2　never112<br/>5.3.3　其他常用的情感转换词113<br/>5.3.4　否定词移动现象114<br/>5.3.5　否定范围114<br/>5.4　情态和情感115<br/>5.5　并列连词but118<br/>5.6　非观点内容的情感词120<br/>5.7　规则表示122<br/>5.8　词义消歧和指代消解124<br/>5.9　小结125<br/>第6章　属性和实体抽取127<br/>6.1　基于频率的属性抽取128<br/>6.2　利用句法关系129<br/>6.2.1　利用观点和观点评价对象间的评价关系130<br/>6.2.2　利用部分整体和属性关系135<br/>6.3　基于监督学习的属性抽取138<br/>6.3.1　隐马尔可夫模型138<br/>6.3.2　条件随机场139<br/>6.3.3　基于深度学习的方法141<br/>6.4　隐含属性的映射142<br/>6.4.1　基于语料库的方法142<br/>6.4.2　基于词典的方法143<br/>6.5　属性聚类145<br/>6.6　基于主题模型的属性抽取147<br/>6.6.1　隐狄利克雷分配148<br/>6.6.2　使用无监督主题模型进行观点属性抽取151<br/>6.6.3　在主题模型中加入领域先验知识155<br/>6.6.4　基于终身学习的主题模型：像人类一样学习157<br/>6.6.5　使用短语作为主题词160<br/>6.7　实体抽取与消歧164<br/>6.7.1　实体抽取与消歧的问题定义164<br/>6.7.2　实体抽取167<br/>6.7.3　实体链接168<br/>6.7.4　实体搜索和链接169<br/>6.8　观点持有者和观点时间抽取170<br/>6.9　小结171<br/>第7章　情感词典构建172<br/>7.1　基于词典的方法173<br/>7.2　基于语料库的方法176<br/>7.2.1　从语料库中识别情感词176<br/>7.2.2　处理上下文相关的情感词177<br/>7.2.3　词典自适应179<br/>7.2.4　其他相关工作179<br/>7.3　情感词向量180<br/>7.4　隐含了情感信息（期望或者不期望）的事实型描述181<br/>7.5　小结182<br/>第8章　比较型观点分析184<br/>8.1　问题定义184<br/>8.2　比较句识别187<br/>8.3　优选实体集识别188<br/>8.4　特殊类型的比较句189<br/>8.4.1　非标准型比较189<br/>8.4.2　交叉类型的比较191<br/>8.4.3　单实体比较192<br/>8.4.4　带有compare和comparison的句子193<br/>8.5　实体与属性抽取194<br/>8.6　小结195<br/>第9章　观点摘要和搜索196<br/>9.1　基于属性的观点摘要196<br/>9.2　基于属性的观点摘要进阶199<br/>9.3　可对照的观点摘要201<br/>9.4　传统摘要202<br/>9.5　比较型观点摘要202<br/>9.6　观点搜索202<br/>9.7　现有观点搜索技术203<br/>9.8　小结205<br/>第10章　辩论与评论分析207<br/>10.1　辩论中的立场识别208<br/>10.2　对辩论、讨论进行建模210<br/>10.2.1　JTE模型211<br/>10.2.2　JTE-R模型：对回复关系进行建模215<br/>10.2.3　JTE-P模型：考虑作者之间的交互关系216<br/>10.2.4　在线讨论的容忍力分析218<br/>10.3　评论建模219<br/>10.4　小结220<br/>第11章　意图挖掘222<br/>11.1　意图挖掘定义222<br/>11.2　意图分类225<br/>11.3　细粒度意图挖掘227<br/>11.4　小结228<br/>第12章　虚假观点检测229<br/>12.1　垃圾评论的不同类型231<br/>12.1.1　有害虚假评论232<br/>12.1.2　垃圾评论者以及垃圾评论行为的类型233<br/>12.1.3　数据类型、特征和检测234<br/>12.1.4　虚假评论和传统谎言的比较235<br/>12.2　基于监督学习的虚假评论检测237<br/>12.3　Yelp数据集上基于监督学习的虚假评论识别实验239<br/>12.3.1　基于语言学特征的监督学习虚假评论识别240<br/>12.3.2　基于行为特征的监督学习虚假评论识别241<br/>12.4　异常行为模式的自动发现242<br/>12.4.1　类关联规则242<br/>12.4.2　单条件规则例外度243<br/>12.4.3　双条件规则例外度245<br/>12.5　基于模型的行为分析247<br/>12.5.1　基于非典型行为的虚假评论检测247<br/>12.5.2　基于评论图的虚假评论检测248<br/>12.5.3　基于贝叶斯模型的虚假评论检测249<br/>12.6　群体虚假评论检测250<br/>12.6.1　群体行为特征252<br/>12.6.2　群体内个体行为特征254<br/>12.7　多ID评论用户识别255<br/>12.7.1　基于相似度学习的多ID评论用户识别255<br/>12.7.2　训练数据准备256<br/>12.7.3　d-特征和s-特征257<br/>12.7.4　识别同一用户的多个ID257<br/>12.8　基于评论爆发检测的虚假评论识别260<br/>12.9　未来研究方向261<br/>12.10　小结262<br/>第13章　评论的质量264<br/>13.1　把评论质量预测看作一个回归问题264<br/>13.2　其他方法266<br/>13.3　一些前沿问题267<br/>13.4　小结267<br/>第14章　总结269<br/>附录273<br/>参考文献282<br/>索引322