在互联网日益发达的今天，许多消费者不管是通过线上电商网站或者线下门店购买商品后，包括买车、买手机等，都会到品牌官网或者一些专业网站甚至社交媒体去发表对产品的评价。对于买家来说，买前查看评论是了解一款产品真实情况的重要途径。对于商家而言，研读评论则是了解客户反馈、了解产品优势和潜在问题的第一手渠道。但对于评论数据的挖掘并不是简单到可以信手拈来，首先一个产品往往会有非常大量的评论，买家和卖家都不可能仔细阅读每一条评论从而得到对于一个产品的整体认知。
利用计算机，利用算法自动对评论进行分析挖掘，是解决这个问题的最有效途径。这些评论会涉及产品各方各面的属性，用户有的说好有的说不好，即使表达相同意思也会有不同的表述。以我们的经验，要完美解决评论的观点挖掘问题，需要一套高复杂度的系统架构。达观数据基于在自然语言处理、机器学习算法和文本挖掘领域的多年技术积累，融合文本标签提取、文本分类和情感分析，打造了针对产品评论的观念挖掘服务，帮助用户从海量评论数据中提炼出核心观点，从而对产品的真实情况一目了然。（纪传俊 达观数据）
图1 达观针对某款汽车的评论观点挖掘
情感分析是文本挖掘的重要基础分支，也是评论挖掘的关键技术，不管是买家还是卖家，首先都是想知道评论是说产品好还是不好，以及比例是多少。本篇将着重讲解情感分析在达观的实现架构和经验。情感分析可以看做一个二分分类问题，即将表达正面情感的文本作为类别“1”，以负面情感文本作为类别“0”。
最朴素的情感分析实现方式是基于情感词典和规则，大致分为三个步骤：
分词
分词是中文自然语言处理的基础，即把一个句子精确切分成一个个词语。中文分词长期以来都是文本挖掘领域的重要研究领域，因为一旦分词错误，会直接导致上层文本挖掘功能的性能下降。达观目前使用自助研发的一套内部分词系统，也是经过了长期打磨才能为上层文本功能提供基础的效果保证。因为分词算法不是本文重点，在此不作展开。
设置情感词典
情感词典一般包括5个词典，即正面情感词典、负面情感词典、否定词典、程度副词词典和行业情感词典。正面和负面情感词典很好理解，比如“高兴”、“悲伤”等等。否定词典例如“不”，会使情感产生逆转。程度副词比如“非常”、“极其”等，会对情感有增强作用，最终影响整个短语或句子的总体情感倾向。另外还有行业情感词典，即只在某些特定领域具有情感倾向的词，比如对于汽车，“塑料感”、“底盘硬”其实是表达负面情感。
基于规则匹配
基于分词和情感词典，即可以根据人们平时的语言表达习惯设置一些规则来计算文本的情感倾向，比如每遇到一个正面情感词则+1分，遇到负面情感词则-1分，遇到否定词则乘以-1将情感反转，遇到程度副词则将情感分数乘以一个放大系数。最后根据计算出的分数判断情感倾向，分数为正数则判断为正面情感，负数则判定为负面情感，正负相抵则判定为中性。
图2 基于规则的情感分析
基于规则的方法的好处是不需要标注好的训练数据，但是可扩展性非常差，需要人工一个个配词典加规则，才能识别足够多的情感倾向，并且需要完全精确匹配，因此召回率比较差。同一个含义人可以有很多种表述方式，尤其在情感分析领域，常常出现双重否定等复杂句式，规则必须设计得足够复杂才能进行识别。此外，当配的规则比较多的时候，不同规则往往会发生互相冲突，这时候情感分析结果就不可控了，会导致准确率下降。（纪传俊 达观数据）
鉴于规则算法有这么明显的缺陷，在过去很长的一段时间里，主流情感分析算法都是基于机器学习算法，比如基于Logistic Regression、SVM、随机森林等经典算法。机器学习可行的前提是要收集和标注训练数据集。目前互联网上也有很多公开语料可以使用。相比基于规则的方法，机器学习算法多了2个步骤：特征提取和模型训练。（纪传俊 达观数据）
图3 特征工程+机器学习方法
特征提取
文本挖掘领域最常用的也是最简单的特征是词袋模型（bag of words），即将文本转换为基于词语的一个向量，向量的每一维度是一个词语，词语可以基于分词得到，也可以基于N-Gram模型得到。每一维度的特征取值也可以有多种计算法方式，比如经典的one-hot编码和tf-idf值。
模型训练
基于文本的标注类别和提取好的特征向量，即可以使用机器学习算法进行训练，模型训练完成之后即可用于判别文本的情感倾向。
图4 词袋模型特征提取
相比基于规则的方法，机器学习方法在可扩展性和适应性方面有着质的飞跃，只需要准备好标注数据，设计好特征提取方法，模型可以自动从数据中学习出一个复杂的高维分类模型实现情感分析。（纪传俊 达观数据）
然而，基于传统机器学习的情感分析方法也有一定的局限性，其效果主要取决于特征工程，即提取的特征是否能足够很好的区别正面和负面情感。在相同的特征下，如果只使用简单分类器，那选择不同的分类算法，效果差别不会太大。要做好特征工程，非常依赖于人的先验知识，即需要我们对数据进行足够深入的观察和分析，把那些对区分正负面情感最有用的特征一个一个找出来。特征工程做深入了也需要依赖情感词典和规则方法，但不是直接判定文本的情感倾向，而是将规则命中的结果作为一维或者多维特征，以一种更为“柔性”的方法融合到情感分析中，扩充我们的词袋模型。
在达观文本挖掘服务，传统机器学习方法仍占据一定比重，尤其是在数据量相对小的情况下。目前针对多个行业的文本数据，我们都有对应的行业词典和特征工程算法。而且在分类算法方面，运用了达观自主研发的多模型融合算法，情感分析的效果可以达到业界较高水平，相比单模型算法效果可以提升10%。
图5 达观文本挖掘技术框架
总体而言，传统的机器学习方式还是比较费时费力的。普遍应用的词袋模型隐含了一个假设，即词语之间的语义是相互独立的，因而丢失了文本的上下文信息。但真实情况往往并非如此，同一个词语在不同的语义环境下是可以具有不同语义的。词袋模型还会导致向量空间特别大，一般都是数十万维。对于评论这种短文本，转换成的向量会特别稀疏，也造成了模型的不稳定性。（纪传俊 达观数据）
如今大热的深度学习技术，代表了目前文本挖掘领域的最高水平，可以很好的解决上述问题。目前达观情感分析包括其他文本挖掘系统，已经全面部署深度学习。
相比于传统机器学习方法，深度学习至少有3大直接优势：
➤无需特征工程
无需特征工程：深度学习可以自动从数据中学习出特征和模型参数，省去了大量繁杂的特征工程工作，对行业先验知识的依赖也降低到最小程度。
➤考虑语义上下文
考虑语义上下文：深度学习在处理文本数据的时候，往往是先把词语转成词向量再进行计算，词向量的生成考虑了一个词语的语义上下文信息，也就解决了词袋模型的局限性。
➤大幅减少输入特征维度
大幅减少输入特征维度：由于使用了词向量，特征维度大幅减少，可以降低到百的量级，同时也使得文本向量变得“稠密”，模型变得更加稳定。
深度学习主要包含两个步骤：
➤词语转成词向量
google的word2vec算法是目前应用最广泛的词向量生成算法，实践证明其效果是非常可靠的，尤其是在衡量两个词语的相似度方面。Word2vec算法包含了CBOW（Continuous Bag-of-Word）模型和Skip-gram（Continuous Skip-gram）模型。简单而言，CBOW模型的作用是已知当前词Wt的上下文环境（Wt-2，Wt-1，Wt+1，Wt+2）来预测当前词，Skip-gram模型的作用是根据当前词Wt来预测上下文（Wt-2，Wt-1，Wt+1，Wt+2）。因此，一次词向量事实上是基于词语的上下文来生成的，也就具备了词袋模型所不具备的表意能力。（纪传俊 达观数据）
图6 基于词向量的CNN模型
➤利用深度学习框架进行训练
利用深度学习框架进行训练：词转成固定维度的词向量之后，一个文本也就自然而然可以形成一个矩阵，如图6所示。以矩阵作为输入的深度学习算法，第一个想到的自然是在图像识别领域获得过成功的卷积神经网络（CNN）。但CNN在文本挖掘领域的运用具有一定局限性，因其每层内部的节点之间是没有连接的，即又丢失了词与词之间的联系。前面已经多次强调，词语的上下文关系对文本挖掘是至关重要的，尤其对情感分析，情感词（“喜欢”）和否定词（“不”）、程度词（“很”）的搭配会对情感倾向产生根本性的影响。因此目前比较广泛使用的是LSTM（Long Short-Term Memory，长短时记忆），LSTM能够“记住”较长距离范围内的上下文对当前节点的影响。
图7 LSTM模型
基于深度学习的文本情感分析，相比传统机器学习，效果可以提升15%左右，而且省去了繁复的特征工程工作，将人工依赖降低到最低程度。借由深度学习技术，达观文本挖掘架构也在不断的更新迭代，不断的升级完善。
