情感分析用词语集-语文情感词

咱们现在这数据时代，情感分析这事挺关键，可就是缺了点素材，这成了做情感分析的一大难题。虽然SnowNLP模块能干情感挖掘的活儿，但它主要就是用淘宝那边的评论素材，这就让咱们用起来不能光靠它，得好好优化优化。

语料缺乏问题

在情感分析这块儿，资料不够用真是挺让人头疼的。好多时候咱们一动手搞情感分析，结果发现资料不够丰富。比如说，一个新领域的项目，根本找不到相应的大规模语料。可能是在一家新成立的数据挖掘公司，一个刚进来的数据分析员碰上这事，想做到准确的情感分析可就挺难的。

SnowNLP是个挺有用的工具。它是用淘宝的评论数据来做情感分析的，不过因为数据量不大，所以在做文本分析的时候不一定能完全准确。特别是对于来自其他领域或者特定情境下的文本，有时候就会出现误差。

文本需要特别处理

用SnowNLP做情感分析，文本处理这块儿特别关键。得把常见的停用词给去掉，还得考虑词性啥的。比如，看一篇科技产品的评测文章，那文章可能就是新产品刚出来那时候写的，写的也是各个评测员的不同看法。要是只简单地去掉停用词，好多有用的信息就给漏掉了。

而且，不同词性的词汇在表达情感时作用各异。比如，形容词往往能直接体现情感倾向。但若仅删除无情感的词汇，诸如那些在语法中连接词句但自身并无情感意义的词，那可能就没能妥善处理那些带有情感倾向的实词。

长文本的应对之策

处理超长文本可得讲究方法，尤其是面对那些冗长的新闻报道或学术论文。若直接用SnowNLP来分析，很可能会因为资料覆盖不全和特征工程不到位等问题，使得分析结果不够精确。

 s.sentiment

提取关键词或者先进行文本摘要再提取关键词，这其实是个挺靠谱的办法。就拿一篇讲某上市公司年度报告的大文章来说，它讲的是公司总部的事情，涉及到好几个高层和普通员工，这种文章先做个摘要，SnowNLP就能更准确地抓住里面的主要情感和信息。

实践中的结果差异

举个例子，比如这条头条文章《5分钟11亿，京东双11场景化产品消费增长明显》，内容看起来挺积极的。可要是只用SnowNLP来分析，结果只给0.5分，这显然不太对劲。不过，要是我们先从文本里提取出关键词，然后再进行分析，得出的结果就靠谱多了。

举个例子，有些长篇文字经过各种不同的处理手段，得出的结果差异挺大的。比如在某个购物高峰期，不同的处理方法在这种情况下的区别就特别明显。

机器学习的局限

 s.sentiment
 **而抽取关键词后，得分0.8 符合**

SnowNLP主要用贝叶斯机器学习方法来训练文本，但这方法有它的短板。因为机器学习在语料上可能不够全面，一些新兴的网络流行语这样的特殊文本，可能就没能被涵盖进去。

处理特征工程若不当，分数会降低，还忽略了语义。就拿“苏宁易购，你们哪来的胆子把OV给撤了？”这样的文本来说，‘下架’才是关键，它表达了愤怒。但用SnowNLP常规分析，结果就偏了，因为它没考虑到语义层面的因素。

语义层面不可忽略

在情感分析领域，语义的重要性可不能小觑。就拿“苏宁易购，这OV的爱情****怎么就给下架了？”这样的例子来说，因为语义本身就挺复杂的，要是光用老办法分析，那结果很可能就错了。假设这是产品调整的时候，涉及到的人可能是消费者或者运营人员，语义可是直接影响到大家对整个句子情感倾向的判断。

做情感分析可得深挖语义，不然得出的结果跟实际情况可是差远了。

踊跃提问，大家在进行情感分析时是否遇到过类似SnowNLP这样的问题，结果因为种种原因不准确？不妨留言交流，期待大家的互动。同时，若觉得这篇文章对您有帮助，别忘了点赞和转发！