情感分析：挖掘觀點、情感和情緒（原書第2版） Sentiment Analysis: Mining Opinions, Sentiments, and Emotions

這本書可以作為情感分析領域的入門讀物和研究概覽。
主要從自然語言處理的角度全面地介紹情感分析這個主題的研究技術和實用算法，
以幫助讀者了解通常用於表達觀點和情感的問題和語言結構的基本結構。
它涵蓋了情感分析的所有核心領域，包括許多新興的主題，
如辯論分析、意圖挖掘、假民意檢測，並提出了可用來分析和總結觀點的計算方法。

前言
致謝
第1章　引言1
1.1　情感分析應用4
1.2　情感分析研究7
1.2.1　針對不同文本顆粒度的情感分析研究7
1.2.2　情感詞典以及研究問題9
1.2.3　辯論與評論分析10
1.2.4　意圖挖掘10
1.2.5　垃圾觀點檢測與評論質量10
1.3　情感分析是一個迷你自然語言處理任務11
1.4　本書撰寫方式12
第2章　情感分析概述14
2.1　觀點定義15
2.1.1　觀點的定義15
2.1.2　情感對象16
2.1.3　觀點中的情感17
2.1.4　簡化的觀點定義19
2.1.5　觀點的原因和限定條件20
2.1.6　情感分析的目標和任務21
2.2　觀點摘要定義25
2.3　感受、情緒、心情26
2.3.1　心理學中的感受、情緒、心情27
2.3.2　情緒28
2.3.3　心情30
2.3.4　感覺32
2.3.5　情感分析中的感受、情緒和心情33
2.4　觀點的不同類型35
2.4.1　常規型觀點和比較型觀點35
2.4.2　主觀和隱含在事實中的觀點36
2.4.3　第一人稱和非第一人稱觀點39
2.4.4　元觀點39
2.5　作者和讀者視角40
2.6　小結40
第3章　文檔級情感分類42
3.1　基於監督的情感分類43
3.1.1　基於傳統機器學習算法的情感分類方法44
3.1.2　使用自定義的打分函數進行情感分類50
3.1.3　基於深度學習的情感分類51
3.1.4　基於終身學習的情感分類53
3.2　無監督情感分類56
3.2.1　基於句法模板和網頁檢索的情感分類56
3.2.2　基於情感詞典的情感分類58
3.3　情感評分預測60
3.4　跨領域情感分類61
3.5　跨語言情感分類63
3.6　文檔的情緒分類64
3.7　小結65
第4章　句子級主客觀和情感分類67
4.1　主觀性68
4.2　句子級主客觀分類69
4.3　句子級情感分類72
4.3.1　句子級情感分類的前提假設72
4.3.2　傳統分類方法73
4.3.3　基於深度學習的分類方法74
4.4　處理條件句76
4.5　處理諷刺句78
4.6　跨語言主客觀和情感分類80
4.7　在情感分類中使用語篇信息81
4.8　句子級情緒分類82
4.9　多模態情感和情緒分類83
4.10　小結84
第5章　屬性級情感分類86
5.1　屬性級情感分類概述87
5.1.1　基於監督學習的方法87
5.1.2　基於詞典的方法90
5.1.3　兩種方法的優缺點93
5.2　情感組合規則94
5.2.1　情感組合規則概述95
5.2.2　情感減弱和情感增強表達101
5.2.3　SMALL_OR_LESS和LARGE_OR_MORE表達103
5.2.4　情緒和情感強度105
5.2.5　情感詞的含義106
5.2.6　其他方法概述108
5.3　否定和情感109
5.3.1　否定詞109
5.3.2　never112
5.3.3　其他常用的情感轉換詞113
5.3.4　否定詞移動現象114
5.3.5　否定範圍114
5.4　情態和情感115
5.5　並列連詞but118
5.6　非觀點內容的情感詞120
5.7　規則表示122
5.8　詞義消歧和指代消解124
5.9　小結125
第6章　屬性和實體抽取127
6.1　基於頻率的屬性抽取128
6.2　利用句法關係129
6.2.1　利用觀點和觀點評價對象間的評價關係130
6.2.2　利用部分整體和屬性關係135
6.3　基於監督學習的屬性抽取138
6.3.1　隱馬爾可夫模型138
6.3.2　條件隨機場139
6.3.3　基於深度學習的方法141
6.4　隱含屬性的映射142
6.4.1　基於語料庫的方法142
6.4.2　基於詞典的方法143
6.5　屬性聚類145
6.6　基於主題模型的屬性抽取147
6.6.1　隱狄利克雷分配148
6.6.2　使用無監督主題模型進行觀點屬性抽取151
6.6.3　在主題模型中加入領域先驗知識155
6.6.4　基於終身學習的主題模型：像人類一樣學習157
6.6.5　使用短語作為主題詞160
6.7　實體抽取與消歧164
6.7.1　實體抽取與消歧的問題定義164
6.7.2　實體抽取167
6.7.3　實體鏈接168
6.7.4　實體搜索和鏈接169
6.8　觀點持有者和觀點時間抽取170
6.9　小結171
第7章　情感詞典構建172
7.1　基於詞典的方法173
7.2　基於語料庫的方法176
7.2.1　從語料庫中識別情感詞176
7.2.2　處理上下文相關的情感詞177
7.2.3　詞典自適應179
7.2.4　其他相關工作179
7.3　情感詞向量180
7.4　隱含了情感信息（期望或者不期望）的事實型描述181
7.5　小結182
第8章　比較型觀點分析184
8.1　問題定義184
8.2　比較句識別187
8.3　優選實體集識別188
8.4　特殊類型的比較句189
8.4.1　非標準型比較189
8.4.2　交叉類型的比較191
8.4.3　單實體比較192
8.4.4　帶有compare和comparison的句子193
8.5　實體與屬性抽取194
8.6　小結195
第9章觀點摘要和搜索196
9.1 基於屬性的觀點摘要196
9.2 基於屬性的觀點摘要進階199
9.3 可對照的觀點摘要201
9.4 傳統摘要202
9.5 比較型觀點摘要202
9.6 觀點搜索202
9.7 現有觀點搜索技術203
9.8 小結205
第10章辯論與評論分析207
10.1 辯論中的立場識別208
10.2 對辯論、討論進行建模210
10.2.1 JTE模型211
10.2.2 JTE-R模型：對回復關系進行建模215
10.2.3 JTE-P模型：考慮作者之間的交互關係216
10.2.4 在線討論的容忍力分析218
10.3 評論建模219
10.4 小結220
第11章意圖挖掘222
11.1 意圖挖掘定義222
11.2 意圖分類225
11.3 細粒度意圖挖掘227
11.4 小結228
第12章虛假觀點檢測229
12.1 垃圾評論的不同類型231
12.1.1 有害虛假評論232
12.1.2 垃圾評論者以及垃圾評論行為的類型233
12.1.3 數據類型、特徵和檢測234
12.1.4 虛假評論和傳統謊言的比較235
12.2 基於監督學習的虛假評論檢測237
12.3 Yelp數據集上基於監督學習的虛假評論識別實驗239
12.3.1 基於語言學特徵的監督學習虛假評論識別240
12.3.2 基於行為特徵的監督學習虛假評論識別241
12.4 異常行為模式的自動發現242
12.4.1 類關聯規則242
12.4.2 單條件規則例外度243
12.4.3 雙條件規則例外度245
12.5 基於模型的行為分析247
12.5.1 基於非典型行為的虛假評論檢測247
12.5.2 基於評論圖的虛假評論檢測248
12.5.3 基於貝葉斯模型的虛假評論檢測249
12.6 群體虛假評論檢測250
12.6.1 群體行為特徵252
12.6.2 群體內個體行為特徵254
12.7 多ID評論用戶識別255
12.7.1 基於相似度學習的多ID評論用戶識別255
12.7.2 訓練數據準備256
12.7.3 d-特徵和s-特徵257
12.7.4 識別同一用戶的多個ID257
12.8 基於評論爆發檢測的虛假評論識別260
12.9 未來研究方向261
12.10 小結262
第13章評論的質量264
13.1 把評論質量預測看作一個回歸問題264
13.2 其他方法266
13.3 一些前沿問題267
13.4 小結267
第14章總結269
附錄273
參考文獻282
索引322