近年来，随着AI技术的不断发展，NLP领域的一项重要应用技术——文本情感分析也被越来越多的商业场景运用，在消费决策、舆情分析、个性化推荐等领域均有出众表现！

百度在情感分析领域开展了深入的技术研发和应用实践。此前，在百度AI开放平台对外开放了评论观点抽取 和 情感倾向分析服务。近期，还通过Github开放了情感分类开源项目Senta。Senta项目包含了基于语义的情感分类模型，还包含了基于大数据训练好的模型。

                                                       图1 情感分类示例

想做文本情感分析？想分析用户的评论与观点？想抽取用户的观点标签？想判断广告投放环境是否安全？......那么，这篇关于Senta系统的技术干货你一定不能错过！

什么是文本情感分析？
文本情感分析（简称情感分析）旨在识别和提取文本中的倾向、立场、评价、观点等主观信息。具体的说，情感分析主要包括两类任务：情感倾向分类（简称情感分类）和观点抽取。情感分析是人工智能的重要研究方向，具有很高的学术价值。同时，情感分析在消费决策、舆情分析、个性化推荐等领域均有重要的应用，具有很高的商业价值。其中，情感分类是用于识别主观文本中的情感倾向的技术。本文的情感倾向包括积极、中性、消极三类。情感分类是情感分析的核心问题，一直以来是研究的重点，同时它在用户消费习惯分析、危机舆情监控等均有重要应用。

Senta系统是怎么做到精准的文本情感分析的？
Senta系统的出众表现来源于两大法宝：

NO.1 基于深度学习的语义模型

传统的情感分类主要基于词典或者特征工程的方式进行分类，这种方法需要繁琐的人工特征设计和先验知识，理解停留于浅层而且扩展能力差。为了避免传统方法的局限，我们采用了近年来飞速发展的深度学习技术。基于深度学习的情感分类不依赖于人工特征，它能够端到端的对输入文本进行语义理解，并基于语义表示进行情感倾向的判断。

                                             图2 基于bi-LSTM的情感分类模型

上图展示了基于bi-LSTM的情感分类。总体来说，这个模型包括三层：单词语义层，句子语义层，输出层。1.单词语义层，主要是将输入文本中的每个单词转化为连续的语义向量表示，也就是单词的embedding。2.句子语义层，通过bi-LSTM网络结构，将单词语义的序列转化为整个句子的语义表示。3.输出层，基于句子语义计算情感倾向的概率。

对于句子语义层，我们内部实验了各种各样的模型，包括bi-LSTM，CNN，hierarchical LSTM，self-attention等多种模型。我们发现在大规模语料上，单层bi-LSTM能够实现较好的效果。因此，在开源代码中，我们默认提供了bi-LSTM模型，同时我们还提供CNN，BOW等模型。

NO.2 基于标记传播的大规模情感数据挖掘
互联网上天然有大量的弱标记评论数据，比如用户会对某个商品给予评论，同时给予评分。根据评分的高低我们就能确定评论的正负倾向。然而，这种数据是包含大量噪声的，需要一定的算法才能获取高质量数据。

                                       图3 基于标记传播的情感标记数据挖掘

上图展示了我们的主要思路。

我们首先从网络上获取大规模的评论数据，根据特定规则获取高质量种子标注数据；
然后我们通过计算评论间的语义相似度，将数据连接成图结构；
最后我们就可以通过标记传播算法，将原来未标记数据转化为标注数据。
我们实验发现，这种方法获取的数据质量很高，基于此数据训练得到的情感分类模型，在各种垂类准确率高，整体效果业界领先。

Senta系统有哪些应用？ 
情感分类既可以单独应用，提供舆情倾向分析；也可以与观点抽取结合，形成观点概述。情感分类在百度搜索、百度资讯流、百度糯米均有落地应用，显著提升了用户体验。也正是在这些应用落地的过程中,我们的情感分类和观点抽取得到不断的打磨和提升，达到了工业应用的要求。未来，我们将继续研发情感分析技术，并将最新最前沿的技术开源共享出来。

下图就是产品中的实际应用示例：

                                                     图4 情感分析在百度产品中的应用示例

看了这么多，是不是想迫不及待的开始使用了？接下来 划重点！

如果想用开放代码做项目和产品，可以点击Senta系统，在github上了解更多详情并可直接下载使用~别忘了为Senta系统点亮你的小星星哦！

如果想直接接入成熟接口，可以在百度AI开放平台选择评论观点抽取和情感倾向分析,即可立即申请开通服务！

文中涉及链接：

1.senta系统：https://github.com/baidu/Senta

2.情感倾向分析：http://ai.baidu.com/tech/nlp/sentiment_classify

3.评论观点抽取：http://ai.baidu.com/tech/nlp/comment_tag