暴走御姐林斌将影视内容介绍和影视评论分别视为客观文本和主观文本，采用互信息量(MI, Mutual Information)计算影视评论中每个词语的互信息量，并由大到小排序，取最靠前的275个词语，并将它们两两组合，再计算每对组合在影视评论中的互信息量，最后得到“我想”“我应该”等具有主观倾向的75个词语组合，并将其用于句子主客观性的判断，总体的准确率达到了78.42%[14]。
叶强和张紫琼等提出一种根据连续双词词类组合模式(2-POS)自动判别句子主客观性程度的方法。首先在N-POS语言模型的基础上，利用CHI统计方法提取中文主观文本词类组合模式，利用这些组合模式给每个句子赋以主观性得分，将得分高于设定阈值的句子判定为主观性文本。实验表明，当阈值为0.12时，主观文本的分类查准率和查全率能达到76%[15]。
需要指出，由于中英文语言结构及中西方文化的差异，使得中文的情感流露方式具有特殊性和复杂性，这给中文文本的情感分析带来挑战。与英文文本多都应用机器学习不同，中文文本的主客观分类主要采取语义方法，而且分类效果也不够理想，相比于英文能达到90%左右的精度，中文的研究分类精度还不够高。这主要由于影响中文文本主客观判断的因素远远比英文多而复杂，除了词义、词性之外，词语的用法也会影响到文本的主客观性质。因此在今后中文文本主观性判别研究中，除了引入机器学习算法外，还要注意考虑中文词法和句法的特殊功能。
另外，一些研究将主客观分类和褒贬情感分类同时看作三分类问题，将文本分成为“褒义”、“贬义”、“客观”。前两类归为主观文本，后者视为客观文本。王根和赵军指出这种观点忽略了两个任务所用特征的不同，即将主客观和褒贬极性的特征夹杂在一起，影响了分类效果[16]。本文认为，主客观分类中的“客
观”类和情感分析中的“客观”类是两个不同概念。比较下面两句话：“这部电影耗资两亿，将于明天在上海万达影城上演首映”；“这部电影整体上还算四平八稳，跟我的预期有点差距，但也不算失望”。前一句是陈述客观事件，是客观文本。而后一句显然是作者的主观评价，却不带有明显的褒或贬。因此对它的分类过程是：首先将其归为主观性文本，然后通过情感分析再归为情感类别中的“客观”（或“中立”）类。所以，非褒非贬并不是作者没情感，而是情感倾向并不明显，持中立态度。如果将双分类任务看成一个多分类问题的话，会错误地把带有主观性但情感倾向不明显的文本分类为客观性文本，影响情感分类的科学性。为了避免混淆，在后面的表述中，本文将情感分类结果中的非褒非贬统称为“中立”类。
3、情感识别现状
3.1文本情感极性研究
3.1.1基于情感词汇语义特性的识别
基于情感词汇语义特性的识别是指利用词语的感情色彩来判断文本的情感极性，主要有两种研究方法：计算词语情感得分[17,18]和构造情感词[19～21]。
(1)计算词语情感得分的方法
(2)构造情感词的方法
还有一些工作尝试建立情感词典来匹配文档的情感。Tong手工建立了一本针对影评分类的情感词典[19]。首先人工抽取出影评相关的情感词汇（比如“great acting”, “wonderful visuals”, “uneven editing”）。同时对
每一个情感词汇按其所代表的情感倾向（“positive”或“negative”）进行人工标记，并加到专门的情感词典，最后利用这个词典去判断影评的情感态度。但是该方法建立的情感词典往往是面向特定领域的，每一个分析对象都需要构建一本词典。而Hu和Liu在手工建立的已知positive和negative的种子形容词词汇表的基础上，利用WorldNet中词间的同义和近义关系来判断新情感词的语义倾向，并以此判断观点的情感极性[20]。
建立情感词来判别文本情感的方法存在两个问题：①基于词典的识别方法以分析词汇情感为基础，但忽略了句子中否定词对情感的影响，造成句子级别和文档级别的分类精确度下降。②所选的情感词往往是情感特征比较强烈的词语（主要是形容词和副词），而还有一些词汇往往隐含着说话人正面或负面的情绪。比如“爆炸”、“车祸”隐含了较多负面情感，而“舞会”、“打折”往往表达了正面情感。
为了克服单一靠人工建立的词汇在情感解释力上的缺乏性，Liu等使用Open Mind Common Sense对人类通用情感进行学习和解释[21]。Open MindCommon Sense是一个常识知识库，可以用来对客观世界中的事件、行为、对象进行通用的情感推理。首先从知识库中选出典型的六类情感词汇（高兴、悲伤、愤怒、恐惧、厌恶和惊奇），然后根据知识库中的概念关系对其他概念进行情感赋值。比如，知识库有这么两句话：“发霉的面包很恶心”，“新鲜的面包很美味”。那么，在“恶心”和“美味”分别被归类为厌恶和高兴的基础上，修饰语言模型(Modifier Unigram Model)可以分别将发霉和新鲜这两个修饰语也判断为表示厌恶和高兴的概念。
(3)中文文本研究现状
在中文文本识别方面，用情感词汇来判断文本情感的方法相对较少。金聪等将Turney的PMI-SO方法应用到对中文语料的情感判断上，同时用典型文档的语义倾向值的平均值作为阈值来代替零值作为两级情感的分类界限，改善了分类效果[22]。
李钝从语言学角度出发，分析词典中词对语义的特点，采用“情感倾向定义”权重优先的方法计算短语中各词的语义倾向度，然后分析短语中各词组合方式的特点，提出中心词概念来对各词的倾向性进行计算，以识别短语的倾向性和倾向强度。实验表明，该方法对短语的倾向分类识别效果较好，可为更大粒度的文本倾向识别打好基础[23]。
3.1.2基于统计自然语言处理的识别方法
基于统计自然语言处理的方法，是指利用机器学习算法对统计语言模型进行训练，最后用训练好的分类器对新文本进行识别。
一些研究将基于主题的机器分类算法用于情感极性识别。Pang和Li等采用不同的特征选择方法，应用了NB、ME(Maximum Entropy)、SVM对电影评论进行分类[24]。在他们的另一项工作中，将文本极性分类问题转换成求取句子连接图的最小分割问题，实现了一个基于minimum-cut的分类器[13]。Ni等利用CHI和信息增益进行特征选择，并采用NB、SVM和Rocchio's算法对情感分类[25]。Mullen等和Whitelaw等都用到SVM算法，只是他们在特征的选择和处理上不同[26,27]。Cui等利用PA(Passive-Aggressive)、LM(Language Modeling)和Winnow分类器，并比较了它们的性能[28]。下面从特征选择和算法性能两个方
