具体描述
本书主要从自然语言处理的角度全面地介绍情感分析这个主题最先进的研究技术和实用算法，以帮助读者了解通常用于表达观点和情感的问题和语言结构的基本结构。它涵盖了情感分析的所有核心领域，包括许多新兴的主题，如辩论分析、意图挖掘、假民意检测，并提出了可用来分析和总结观点的计算方法。
作者简介
刘兵教授现为伊利诺伊大学芝加哥分校(UIC)教授，获爱丁堡大学获得人工智能博士学位，是Web挖掘研究领域的国际知名专家，在Web内容挖掘、互联网观点挖掘、数据挖掘等领域有非常高的造诣，先后在国际学术期刊与重要国际学术会议(如KDD、WWW、AAAI、SIGIR、ICML、TKDE等)上发表关于数据挖掘、Web挖掘和文本挖掘论文100多篇,其中3篇论文单引次数1000以上，著有Web Data Mining和Sentiment Analysis and Opinion Mining等多部计算机精选教材；刘兵教授还担任过多个国际期刊的编辑和多个国际学术会议的程序委员会主席和委员。他目前担任ACM SIGKDD的主席，还是IEEE Fellow。
目录信息
Sentiment Analysis：Mining Opinions，Sentiments，and Emotions
译者序
前言
致谢
第1章 引言1
1.1 情感分析应用3
1.2 情感分析研究6
1.2.1 针对不同文本颗粒度的情感分析研究7
1.2.2 情感词典及其问题8
1.2.3 辩论与评论分析9
1.2.4 意图挖掘9
1.2.5 垃圾观点检测与评论质量10
1.3 情感分析是个迷你自然语言处理任务11
1.4 本书撰写方式11
第2章 什么是情感分析13
2.1 观点定义14
2.1.1 观点的定义14
2.1.2 情感对象15
2.1.3 观点中的情感16
2.1.4 简化的观点定义17
2.1.5 观点的理由和限定条件19
2.1.6 情感分析的目标和任务20
2.2 观点摘要定义23
2.3 感情、情绪与心情24
2.3.1 心理学中的感情、情绪与心情25
2.3.2 情感分析中的感情、情绪与心情28
2.4 观点的不同类型30
2.4.1 常规型观点和比较型观点31
2.4.2 主观的和隐含在事实中的观点31
2.4.3 第一人称和非第一人称观点34
2.4.4 元观点35
2.5 作者和读者视角35
2.6 小结36
第3章 文档级情感分类37
3.1 基于监督的情感分类38
3.1.1 基于机器学习算法的情感分类38
3.1.2 使用自定义打分函数的情感分类44
3.2 基于无监督的情感分类45
3.2.1 使用句法模板和网页检索的情感分类45
3.2.2 使用情感词典的情感分类46
3.3 情感评分预测48
3.4 跨领域情感分类49
3.5 跨语言情感分类51
3.6 文档的情绪分类52
3.7 小结53
第4章 句子级主客观和情感分类54
4.1 主观性55
4.2 句子级主客观分类56
4.3 句子级情感分类59
4.3.1 句子级情感分类的前提假设59
4.3.2 分类方法60
4.4 处理条件句61
4.5 处理讽刺句62
4.6 跨语言主客观分类和情感分类64
4.7 在情感分类中使用语篇信息65
4.8 句子级情绪分类66
4.9 讨论67
第5章 属性级情感分类68
5.1 属性级情感分类方法69
5.1.1 基于监督学习的方法69
5.1.2 基于词典的方法70
5.1.3 两种方法的优缺点72
5.2 情感组合规则73
5.2.1 情感组合规则概述74
5.2.2 情感减弱和情感增强表达81
5.2.3 SMALL_OR_LESS和LARGE_OR_MORE表达83
5.2.4 情绪和情感强度86
5.2.5 情感词的含义86
5.2.6 其他方法概述88
5.3 否定和情感89
5.3.1 否定词89
5.3.2 never92
5.3.3 其他常用的情感转换词94
5.3.4 否定词移动现象94
5.3.5 否定范围95
5.4 情态和情感96
5.5 并列连词but100
5.6 非观点内容的情感词102
5.7 规则表示103
5.8 词义消歧和指代消解105
5.9 小结106
第6章 属性和实体抽取108
6.1 基于频率的属性抽取109
6.2 利用句法关系110
6.2.1 利用观点和观点评价对象间的评价关系111
6.2.2 利用部分整体和属性关系116
6.3 基于监督学习的属性抽取118
6.3.1 隐马尔可夫模型118
6.3.2 条件随机场119
6.4 隐含属性的映射121
6.4.1 基于语料库的方法121
6.4.2 基于词典的方法122
6.5 属性聚类124
6.6 基于主题模型的属性抽取126
6.6.1 隐狄利克雷分配127
6.6.2 基于无监督主题模型进行观点属性抽取129
6.6.3 在主题模型中加入领域先验知识133
6.6.4 基于终身学习的主题模型：像人类一样学习135
6.6.5 使用短语作为主题词138
6.7 实体抽取与消解141
6.7.1 实体抽取与消解的问题定义142
6.7.2 实体抽取144
6.7.3 实体链接145
6.7.4 实体搜索和链接147
6.8 观点持有者和观点时间抽取147
6.9 小结148
第7章 情感词典构建149
7.1 基于词典的方法149
7.2 基于语料库的方法152
7.2.1 从语料库中识别情感词152
7.2.2 处理上下文相关的情感词153
7.2.3 词典自适应155
7.2.4 其他相关工作156
7.3 隐含了情感信息（期望或者不期望）的事实型描述156
7.4 小结158
第8章 比较型观点分析159
8.1 问题定义159
8.2 比较句识别162
8.3 比较句中的优选实体集识别163
8.4 特殊类型的比较句164
8.4.1 非标准型比较164
8.4.2 交叉类型的比较166
8.4.3 单实体比较167
8.4.4 带有compare和comparison的句子168
8.5 实体与属性抽取169
8.6 小结170
第9章 观点摘要和检索172
9.1 基于属性的观点摘要172
9.2 基于属性的观点摘要进阶175
9.3 可对照的观点摘要176
9.4 传统摘要177
9.5 比较型观点摘要177
9.6 观点检索177
9.7 现有观点检索技术178
9.8 小结180
第10章 辩论与评论分析181
10.1 辩论中的立场识别181
10.2 对辩论、讨论进行建模184
10.2.1 JTE模型185
10.2.2 JTE-R模型：对回复关系进行建模188
10.2.3 JTE-P模型：考虑作者之间的交互关
· · · · · · (收起)
读后感
用户评价
这本书的书名是《情感分析：挖掘观点、情感和情绪》，但读完之后，我感觉它更像是一本关于如何构建一个高效能的客户关系管理（CRM）系统的技术手册，与书名所承诺的“情感挖掘”似乎相去甚远。书的开篇详尽地介绍了各种数据库结构和数据同步的优化策略，我原本期待看到的是对社交媒体评论、用户反馈文本的深度语义理解模型，比如如何区分“满意”和“非常满意”背后的细微差别，或者如何识别讽刺和反语。然而，书中花费了大量的篇幅讲解如何设计一个可扩展的SQL架构来存储客户交互日志，这对于一个希望了解自然语言处理（NLP）前沿技术的读者来说，无疑是令人失望的。接着，它深入探讨了API接口的设计规范和错误处理机制，这些内容对于后端工程师来说或许很有价值，但对于希望掌握如何从海量非结构化文本中提炼出用户真实情绪（比如挫败感、惊喜感）的分析师而言，简直就是一本错位的指南。整本书的基调非常“硬核”和技术化，缺乏对情感理论、心理学模型的任何讨论，更别提那些支撑情感分析核心的算法细节了。感觉作者的侧重点完全跑偏了，更像是在编写一个企业级数据仓库的实施指南，而不是一本关于“情感”的书。
坦白说，这本书的结构松散得令人发指。它像是将三本不相关的技术手册——一本关于网络安全审计、一本关于前端框架性能优化，以及一本关于遗留系统数据迁移的白皮书——强行拼凑在一起，然后冠以一个关于“情感”的华丽名字。例如，其中有一章突然转入了详细介绍如何通过SSH密钥对进行安全认证的步骤，这在任何一本关于数据分析或文本挖掘的书籍中都显得格格不入。我试图在这些看似毫无关联的章节中寻找情感分析的线索，但最终发现它们只是为了填充页数而存在的“水分”。如果这本书的目标是教我如何构建一个健壮的数据管道，它做得还算合格，但既然名字里带着“情感”二字，我期望看到的是如何设计能够捕捉到细微情感差异的评分体系，而不是如何处理TLS握手失败的错误代码。这种内容与标题的巨大偏差，让我感觉自己被一种非常老旧、僵化的技术视角所困扰，完全没有感受到任何现代数据科学的活力。
这本书的叙事方式异常沉闷，缺乏任何能吸引人深入阅读的叙事弧线或引人入胜的论证结构。它像是用一种非常平铺直叙、甚至有些教条主义的口吻，将一系列孤立的技术点罗列出来，缺乏将这些点串联成一个连贯的情感挖掘战略的宏大视角。我期待的，是看到作者如何像侦探一样，一步步揭示隐藏在文本背后的用户真实意图，如何处理那些充满歧义和文化背景依赖的语言现象。然而，书中讨论的重点似乎完全集中在如何优化内存占用和CPU利用率，这对于关注“挖掘”和“洞察”的读者来说，是极其枯燥的。我感觉作者对“分析”的理解仅仅停留在数据清洗和基础统计的层面，而完全没有触及到“情感”这一核心命题所需的更高维度的认知处理。整本书读下来，如同在阅读一份冷冰冰的设备规格说明书，完全感受不到任何关于人类复杂情绪的温度或深度。
这本书的行文风格极其晦涩难懂，充满了行业内部人士才明白的缩写和术语，读起来像是直接从某份陈旧的技术规范文档中摘录出来的文字集合。我花了大量的精力去尝试理解那些关于“分布式消息队列的幂等性保证”的章节，这部分内容与书中声称的“挖掘情绪波动”的主题简直风马牛不相及。我期待的是对BERT、Transformer等最新模型在特定情感分类任务上的应用案例，而不是对传统消息中间件延迟和吞吐量的数学推导。更令人费解的是，书中对图论在构建知识图谱方面的描述，虽然理论上可以支撑关系抽取，但作者将其用于解释一个简单的“用户偏好”模型，导致整个解释链条异常冗长且缺乏直观性。作者似乎非常热衷于展示自己对底层基础设施的掌握程度，却完全忽略了目标受众的认知水平和阅读体验。读完好几章，我依然没有找到一个清晰的、可操作的步骤来识别用户文本中的负面情绪集群，反而是被各种关于服务器集群部署的图表淹没了。
这是一本极度缺乏实战案例和案例复现指南的书。在它那厚厚的篇幅中，我几乎找不到任何一个完整的、可以从头到尾跟着操作一遍的情感分析流程。所有的“模型”都只是停留在概念层面，或者被包裹在过于简化的伪代码中，根本无法用于实际的生产环境。例如，当它提到“情感得分”时，它仅仅给出了一个模糊的公式，却从未解释如何选择权重、如何应对多标签分类问题，或者在数据不平衡时如何调整分类器。我真正需要的是一个可以下载的GitHub仓库链接，里面包含干净的数据集和可运行的Jupyter Notebook，让我能够亲手去“挖掘”那些观点和情绪。这本书提供的更像是停留在十年前的学术综述，充斥着对“未来方向”的展望，但对如何到达那个方向的实用工具却避而不谈。读完后，我依然需要去搜索引擎上查找最新的SOTA（State-of-the-Art）模型，这本书提供的知识价值非常有限，更像是一份过期的技术参考资料。
每章内容耦合性有点高了。。略乱
像学霸的笔记。语言学才是真真的学科之基。
像学霸的笔记。语言学才是真真的学科之基。
啊！为什么没有让我早点遇到这本书，简直是我这一年多工作的完美综述和指导！！！
很完善的review
