随着web2.0的蓬勃发展,人们可以在网上获取大量的富有情感信息的文档,比如个人博客或者评价网站。获取这些信息使人们可以主动地用信息处理技术去挖掘和理解别人的情感。情感分析是一种处理文本中的观点、情感和主客观性的新生技术,最近被很多学者关注。其潜在的应用很多,包括面向情感而不是事实的问答系统和分析用户反馈的商业智能系统。推荐系统也更倾向于推荐收到大量褒义评论的产品或者服务。这些应用产生的对文本分析技术的要求比基于事实的文本分析技术要高的多。本文将阐述一些情感分析任务以说明新的挑战和机遇。情感分析中很重要的一项任务就是将带有观点或者情感的一篇评论(电影评论或者图书评论)分类为褒义或者贬义,也称为文本情感极性分类。褒义意味着评论的作者喜爱评价的对象,贬义意味着评论作者不喜欢评价对象。本文重点阐述文本极性分类的方法和相关综述。本文通过首先总结待分类文档的情感即带有主观色彩的句子,然后用机器学习算法对其进行分类。为了提取文本中的带有主观色彩的句子,之前的研究通常需要大量标注数据去训练句子级主客观分类器。但是众所周知,人工标注数据是非常耗费时间的,所以本文提出从大量未标注的文档集合中自动标注句子为主观或者客观的方法获取训练数据集。本文在进行句子级主客观分类时把句子之间的邻近度信息也考虑了进去,从而提出了基于最小割的文本主观性摘要提取。最后帮你问以提取的主观性摘要作为训练数据集训练分类器进行文档级情感极性分类。