通过算法去判断一段文本、评论的情感偏向，从而快速地了解本文原作者的主观情绪。情感分析的结果可以用于舆情监控、信息预测，或用于判断产品的口碑，进而帮助生产者改进产品。（例如：获取一个直播所有评论，为评论标记正负面，然后判断这次直播的效果）。
具体应用还有，电商商品的评论中，差评与提交的文字是否相匹配，如果一个差评匹配的文字情感分析为积极，这种评论的参考价值较低，我们就可以将其展示排序放在偏后面。还有问卷调查中，上万分内容的情感分析。
目前腾讯云和阿里云都有情感分析的API，但目前也只能做到返回正面、中性和反面三种，还不能做到准确判断情绪等级，如将消极评价分为10个等级，如特别消极、消极…，我们可以通过调用这些API，快速得到结果。
目前，网络上有正负面开源语料库，可以用其训练模型。
- 文本特征较难提取，文字讨论的主题可能是人、商品、事件
- 文本较难规范化
- 词与词之前有联系，关联关系纳入模型中不容易
- 不带情感色彩的停用词会影响文本情感打分，‘打开天窗说亮化’
- 中文复杂，一个词在不同语境下可能表达完全不一样的情感含义，夏天能穿多少穿多少。
- 不同语义差别巨大，比如‘路上小心点’
- 否定词的存在‘我其实不是很喜欢你’
- 互联网新词‘SKR’
- 多维情绪识别（发烧友，喜欢级等，对情绪评级）目前还没有完美的方案
这种方法主要有如下缺点：
- 质量良好的中文情感词典非常少
- 不带情感的停用词会影响情感打分
- 中文博大精神，词性的多变影响准确性
- 无法结合上下文分析情感
1》概述
这一模型结合机器学习或深度学习算法，通过网络公开语料库或者个人预料数据，进行模型的训练。首先，将正负面预料分词，然后将分词词汇映射到高维向量空间中，将词语向量化（此处也用到神经网络训练），然后用向量化后的数据进行模型的训练。最后，将需要预测的数据放入训练好的模型并得出结果。
优势：
- 解决了多维语义问题；
- 可利用强大的机器学习，深度学习模型
2》具体步骤如下：
1） jieba分词
通过python中jieba分词库，对预料进行分词。jieba分词是国内分词技术做的比较好的库，其创立的目的起初是为搜索引擎分词检索功能创立。
2） Word2Vec介绍（核心：浅层神经网络相关）
腾讯有词向量包，腾讯词向量包本质上就是腾讯提供的一个 词语->向量 一一对应的数据包。（这样可以避免实时数据的改变所造成的，每一条数据都会对向量维度造成影响）。
-
google出品
-
利用高维向量表征词语
-
把相近的词语放在相近的位置
-
语料库输入，输出向量空间
3）情感分析模型
根据特征值的情感分析模型包括很多，如SVM模型、朴素贝叶斯模型、KNN模型
a、SVM模型
-
有词向量就可以使用相关模型进行情感分析
-
机器学习SVM：二维分类，小数据集效果好
上面内容包括模型的训练过程，也可以直接导入训练好的模型进行运算，如下：
b、LSTM模型
LSTM模型：设计一个记忆细胞，具备选择性记忆的功能，可以选择记忆重要信息，过滤掉噪声信息，减轻记忆负担。（而RNN算法是想把所有信息都记住，不管是有用的信息还是没用的信息）
- 神经网络模型LSTM：记忆能力，挑选必要的信息进行传递
可以直接用sdk，调用sentimentClassify，需要百度云申请的账号。
baidu-aip模型是基于购物消费类数据训练的，所以如果适用场景不是模型的训练场景那么便可能不适用。
参考资料：
https://zhuanlan.zhihu.com/p/83496936