暴走御姐面对基于机器学习算法的情感识别进行小结：
(1)特征选择
Pang等在实验中分别使用以词频作为权重的Unigrams、以布尔值作为权重的Unigrams、Bigrams、Unigrams+Bigrams、Unigrams+词性、最前面2633的Unigrams、形容词、Unigrams+词语的位置作为其语言特征[24]。实验结果发现，使用布尔值Unigram作为特征的分类效果最好，使用Bigram、词性、形容词和词语的位置作为特征并不能达到预期的分类精度。而Cui等指出Pang的研究语料较小，无法体现出ngrams(n≥3)的优势[28]。他们对比了n分别等于1、2、3、4、5、6时的实验结果，发现当n=6时，分类效果最好，特别是识别负面(negative)文本的分类器的准确度有明显改善，达到70.03%。Mullen等将按Turney的情感词五种组合模式提取出来的词组称为价值词组(value phrases)，然后利用WorldNet计算出所有形容词的EVA、POT和ACT值，并将这三个值和价值词组的SO值一起作为特征，最后再用SVM分类器进行分类，实验结果表明该方法的分类效果也是好于以前的方法[17,26]。另外，Pang等的实验结果还表明使用布尔值作为特征值权重的比使用词频为权重的实验精度要高[24]。
(2)分类性能比较
Cui等的实验对比表明，平均表现最好的是PA分类器，Winnow次之，LM最差[28]。Pang等的研究表明，基于机器学习的分类器要比手工分类效果好很多，而在三类分类器中，SVM分类器的表现比ME和NB都好，但是实验结果同时还表明，对文本的情感分类效果还是远差于对文本主题的分类[24]。
国内方面，徐军等用朴素贝叶斯和最大熵模型分别对新闻及评论语料进行了情感分类研究，发现选择具有语义倾向的词汇（特别是形容词和名词）对情感分类效果具有决定性作用，采用二值作为特征项权重相比采用词频作为权重的方法更能提高分类的准确率。并且最大熵模型比NB的分类效果明显好[29]。
唐慧丰等对部分基于监督学习的中文情感分类技术做了比较研究，在文本特征方面，采用N-Gram以及名词、动词、形容词、副词作为不同的文本表示特征；以互信息、信息增益、CHI统计量和文档频率作为不同的特征选择方法；以中心向量法、KNN、Winnow、NB和SVM作为不同的文本分类方法；并在不同的特征数量和不同规模的训练集情况下，分别进行了中文情感分类实验[30]。实验结果表明：采用Bigram特征表示方法、信息增益特征选择方法和SVM分类方法，在足够大训练集和选择适当数量特征的情况下，情感分类能取得较好的效果。
3.2文本情感强度研究
对于某些应用，单纯的褒贬分类是不够的，还需要区别褒贬情感的强弱。这种任务称为情感强度分类，它是一种特殊的分类问题，因为强弱分类的类别是离散且有等级的。文本情感强度分析主要有三类方法：多分类方法，回归方法，序列标注方法。
(1)多分类方法
多分类方法即将文本的每个强度等级当作一个类别，构造分类器对其分类。最常见的处理是将文本强度分成强烈贬抑、一般贬抑、客观、一般褒扬、强烈褒扬五个类别。Lin等在研究语料的观点问题时，采用LSPM(Latent Sentence
Perspective Model)对未经标注的语句的观点及其五类强度进行判断[31]。但是此类方法得到的结果往往忽略了情感渐变过程，造成训练模型不够准确，影响了分类精度[16]。
(2)回归方法
回归方法即用回归算法来对文本的强度进行拟合。Pang和L1就用了SVM回归方法对文本情感强度进行了回归评分[32]。此外，他们还根据相似度越高标记越相近的原理，提出一种基于度量标记(metric labeling)的元算法
(meta-algorithm)对文本进行评分，实验表明此方法的效果比多分类方法和SVM回归方法都好。
(3)序列标注方法
近年来，条件随机场(Condition Random Fields, CRFs)模型大量地应用于序列标注任务，比如Chunking, NER, Parsing等。同时，CRFs模型也逐步应用于文本倾向性分析任务，并以此产生出针对特定问题的基于CRFs模型的其他图模型方法[33]。Mao和McDonald等把句子的褒贬标记看作一个情感流问题，并利用序列CRFs回归模型来给篇章中的每个句子进行打分[34,35]。为了减轻褒贬度分析中信息冗余对强度分类的影响，刘康等在CRFs的框架下，考虑句子褒贬度与褒贬强度之间的层级关系，充分利用上下文的信息以及特征的层级特性，提出了基于层叠CRFs模型的句子褒贬度分析模型[33]。
总体而言，对文本进行情感强度的研究还不多，但是在电子商务网站中，情感强度的识别对于个性化客户服务来说可能更有意义。
4、其他相关问题
4.1语料库的选择
不管是基于语义的方法还是机器算法都需要大规模的情感语料支撑，目前常用的语料库有以下几类：
(1)评论类语料
评论类语料库是目前最常用的语料数据，包括影评[17,24]、产品评论[13,28]、音乐评论[26]等。众多研究选择评论类语料是因为：一是评论类语料数量众多，方便获得。随着电子商务、网络社区的发展，到处都是关于电影、产品的评论，这些数据为文本分类研究提供了充足的素材；二是可近似地将评论类语料视作主观性文本，无需主客观文本分类即可直接用来情感识别。
(2)词汇知识库
WorldNet是一个按语义关系网络组织的英文词库，多种词汇关系和语义关系被用来表示词汇知识的组织方式。有许多研究就直接利用WorldNet中词汇间的距离来揭示情感倾向的关系[36,37]。Liu等使用的Open Mind Common Sense是常识知识库，它描述了世界上最基本的概念和相关的关系，以此来扩展描述情感的“概念”[21]。作为最大的中文词汇知识库，HowNet为国内研究者提供了进行中文情感研究的渠道[38,39]，主要有基于语义相似度的方法和基于语义相关场的方法。
(3)其他语料库
徐琳宏等综合现有的各种情感词汇资源构造情感词汇本体，他们采用手工分类和自动的方法来获取本体的知识，包括词汇的情感类别、强度和极性[40]。在此基础上，对基于本体的情感分类方法进行了研究。路斌等利用中文同义词词林来计算词汇褒贬，该方法利用同义词词林中的同义词词群，将种子词汇扩展得到更大的褒贬义词集合[41]。
4.2研究难点
由于Web文本的表述形式多样，没有统一的规范，给文本挖掘和情感分类带来了许多困难。另外，随着研究的细化，Web文本挖掘和情感分析的任务也不仅仅限于判定情感的倾向和强度。本文将情感分析中的其中几个难点罗列如下：
(1)网络用词
主观性文本往往口语化，甚至会频繁出现时髦的网络用语，比如“做人不能太CNN!”，在这里，“CNN”无疑是识别这句话情感倾向的关键。不断涌现的网络用语给情感分类提出了更高的时效性要求。又如“太BS这部手机的性价比了。”BS是贬义词“鄙视”的缩写，这句话表达的是负面情感。可以看出，缩词的使用也给情感分析的准确度带来了很大影响。
(2)表达方式
