理工酷

百度情感分析技术依托于评论大数据、深度学习、语义理解等基础技术，建立了一套完整情感分类与观点挖掘的核心技术。

在情感分类方面，研发了情感倾向性分析、情感的情绪分析，情感对象识别以及句子的主客观的分析。在观点挖掘方面，通过情感搭配知识自动构建和观点计算技术，我们能有效的进行文本数据的观点抽取。百度依托这些核心的技术，进行用户产品开发。

这里重点介绍两类核心技术：

• 情感倾向性分析

情感倾向分析任务目标是能够判断用户文本是积极、消极或是中性的情感。传统方法有两类：一类利用情感词典进行规则匹配的方法进行判断，另外一类基于情感词典和文本特征建立一个 2 分类任务的方法 。

百度情感倾向性分析基于深度学习的方法，分别建立了句子级、实体级、篇章级多粒度完整的分析任务。句子级粒度上，通过基于 Bi-LSTM 分类方法，系统更好的捕捉了情感极性在前后文表达的信息，效果上相对于传统的方法有了很大的提升。

实体级粒度的任务概念稍有晦涩，举个例子：《成龙对战狼 2 的看法》一篇文章可能有多个主题，这个任务就是希望能够把这篇文章对于“吴京”的态度分析出来。在这个任务中，我们通过建立层次化的语义表达方法，让整个系统更加精准的进行分析和判断。

• 评论观点抽取的技术

评论观点抽取目标：给定一个文本，把其中表达观点的信息抽取出来。举个例子，用户的评论：“这家旅店的服务还不错，但是房间比较简陋”，我们目标把“服务不错、房间简陋”这样的关键观点信息抽取出来。

评论观点抽取技术在当前互联网产品中应用十分广泛，但是召回率一直不高，百度的评论观点抽取技术将任务从应用需求进行细致分析拆解，通过基于情感搭配的方法，基于语义计算的方法，基于维度预测的方法，以及基于维度预测加情感极性分类的方法完美的解决了应用中各种的问题，这也是一个技术和应用完结合经典案例。