情感分析应用方向---自然语言处理

　已经到NLP的第八期，从今年三月自学以来，看过很多资料和有意思的算法。但是实际应用起来非常困难，不是算法太难，就是对数据要求太高，要不就是应用场景太复杂或者需要很多其他辅助的模块。我也关注了很多公众号，似懂非懂地看了些科技前沿新闻。看得新鲜，但是能用的很少。我一直期待有一个简便，普适性且应用范围广的小巧机器学习算法。相信大家也希望有一个容易上手，有应用潜力且容易装X的机器学习算法。NLP的SentimentAnalysis就是这样一个算法。

　　在第一期也提到了，SentimentAnalysis情感分析是基于文本内容，分析其是正面的还是负面的。如果能保证一定的准确性，那么其应用范围其实非常广。如：

　　电商平台的订单评价挖掘

　　电影评论的评价挖掘

　　社交媒体挖掘

　　股票评论判断

　　简单来说，就是输入一段文本，算法预测其是正面的还是负面的。假设大家的工作与客服，产品，设计，市场调研相关，想知道2018年7月用户的体验如何。这个时候NLP的SentimentAnalysis就能派上用场了。其实这个应用范围特别广，假设你是小米的产品经理，你想知道市面上对小米旗舰和对华为旗舰的看法。可能之前是要做用户调研，但是现在可以基于淘宝公开的订单评价去分析。

　　那么接下来我大概讲下应用前景及

　　客户评价的应用前景

　　客户评价是一段文本，这一期将不再赘述基础的文本单词的处理和NaiveBayes和DeepNetwork的方法（可以参照本系列前几期）。

　　首先，需要明确的是本系列前几期所做到的是，能够预测文本的情绪值。训练样本的来源是，当星级评价为4>5星时，为正面评价；当星级评价为1>2星时，为负面评价；

　　其次，如果我们仅仅停留在预测文本整体的情绪值，那么在订单评价方面应用的价值并不大；因为我们已经能够通过星级知道；

　　所以，我们需要更进一步文本挖掘，比如我们想知道小米的评价中，对于电池的看法。如果能在这个Aspect特征层面做出数据挖掘，那么其对产品改进，服务体验提升有很大的价值。

　　下面是我查到的uber从facebook,twitter,news和市场调查得出的例子。大家可以看到，实际上Uber能够从成千上万的文本中分析出对于订单取消，付款，价格，安全及服务的满意度。当然这只是其中的一个结果汇总图。但是我们能够从汇总图获取很多信息，并且着力服务改进的方向。

　　自然语言处理-第八期-情感分析应用方向

　　实现上述例子，至少需要做到以下两件事情:

　　1.特征提取.

　　也就是提取用户提到的特征。如’小米的电池不耐用’。那么，我们不仅仅需要知道这个文本是负面的，我们还需要知道，他提到的是’电池’这个特征。当然人们表达的方式有很多种，有直接的有间接的。直接的可以讲’电池不好用’，间接的可以讲’用的时间很短’。那时间如何和电池联系起来呢？感觉是很难一件事；

　　2.特征情感值赋予