情感分析 - 版本历史

唐糖糖：/* 推荐系统中的应用 */

2021-09-01T12:15:04Z

推荐系统中的应用

唐糖糖：/* 方法和特征 */

2021-09-01T12:14:21Z

方法和特征

唐糖糖：/* 方法和特征 */

2021-09-01T12:13:22Z

方法和特征

2021年9月1日 (三) 12:11 唐糖糖

2021-09-01T12:11:58Z

2021年8月28日 (六) 16:46 唐糖糖

2021-08-28T16:46:51Z

显示更改

唐糖糖：/* 基于功能/属性的情感分析 */

2021-08-28T16:45:53Z

基于功能/属性的情感分析

唐糖糖：/* 主观性/客观性识别 */

2021-08-28T16:43:46Z

主观性/客观性识别

唐糖糖：/* 主观性/客观性识别 */

2021-08-28T16:42:31Z

主观性/客观性识别

唐糖糖：/* 主观性/客观性识别 */

2021-08-28T16:41:48Z

主观性/客观性识别

2021年8月28日 (六) 16:40 唐糖糖

2021-08-28T16:40:59Z

显示更改

@@ 第452行： / 第452行： @@
 == 推荐系统中的应用 ==
-对于一个推荐系统来说，情感分析已经被证明是一种有价值的技术。推荐系统的目的是预测目标用户对某个项目的偏好。'''主流推荐系统是基于显性数据集工作的。例如，协同过滤（collaborative filtering）基于评分矩阵工作，基于内容的过滤（content-based filtering）基于项目元数据工作。'''
+对于一个推荐系统来说，情感分析已经被证明是一种有价值的技术。推荐系统的目的是预测目标用户对某个项目的偏好。'''主流推荐系统'''是基于显性数据集工作的。例如，协同过滤（collaborative filtering）基于评分矩阵工作，基于内容的过滤（content-based filtering）基于项目元数据工作。
@@ 第468行： / 第468行： @@
 Lamba和Madhusudhan<ref name=":39">{{cite journal |last1=Lamba |first1=Manika |last2=Madhusudhan |first2=Margam |title=Application of sentiment analysis in libraries to provide temporal information service: a case study on various facets of productivity |journal=Social Network Analysis and Mining |year=2018 |volume=8 |issue=1|pages=1–12|doi=10.1007/s13278-018-0541-y}}</ref>介绍了一种新的方法，即通过重新打包Twitter等社交媒体平台的情感分析结果，并以不同的形式提供基于时间的综合服务，来满足当今图书馆用户的信息需求。此外，他们还提出了一种利用社交媒体挖掘和情感分析在图书馆进行营销的新方法。
 ==参阅==

@@ 第277行： / 第277行： @@
 == 方法和特征 ==
-现有的情感分析的方法主要可以分成三类：基于知识的技术knowledge-based techniques、统计方法statistical methods和混合方法hybrid approaches。<ref name="“Cambria">
+现有的情感分析的方法主要可以分成三类：基于知识的技术 knowledge-based techniques、统计方法 statistical methods和混合方法 hybrid approaches。<ref name="“Cambria">
 {{cite journal
   | first1 = E
@@ 第296行： / 第296行： @@
   | citeseerx = 10.1.1.688.1384
   }}
-</ref>基于知识的技术根据明确的情感词如快乐、悲伤、害怕和无聊的存在对文本进行分类。<ref name="Ortony">
+</ref>基于知识的技术根据明确的情感词 如快乐、悲伤、害怕和无聊的存在对文本进行分类。<ref name="Ortony">
 {{cite book
   |first1      = Andrew
@@ 第331行： / 第331行： @@
   | doi-access = free
   }}
-</ref>统计方法通过调控机器学习中的元素，比如潜在语意分析latent semantic analysis，SVMsupport vector machines，词袋bag of words，Pointwise Mutual Information for Semantic Orientation<ref name="Turney02">
+</ref>统计方法通过调控机器学习中的元素，比如潜在语意分析 latent semantic analysis，SVM support vector machines，词袋 bag of words， Pointwise Mutual Information for Semantic Orientation<ref name="Turney02">
 {{cite conference
   | first = Peter | last = Turney
@@ 第340行： / 第340行： @@
   | arxiv = cs.LG/0212032
 }}
-</ref>和深度学习depp learning等等。一些复杂的方法意在检测出情感持有者比如，保持情绪状态的那个人和情感目标比如，让情感持有者产生情绪的实体。<ref name="Kim+Hovy06">
+</ref>和深度学习 depp learning等等。一些复杂的方法意在检测出情感持有者 比如，保持情绪状态的那个人和情感目标 比如，让情感持有者产生情绪的实体。<ref name="Kim+Hovy06">
 {{cite conference
   |last1     = Kim
@@ 第347行： / 第347行： @@
   |first2    = E. H.
   |title     = Identifying and Analyzing Judgment Opinions.
-  |book-title = Proceedings of the Human Language Technology / North American Association of Computational Linguistics conference HLT-NAACL 2006. New York, NY.
+  |book-title = Proceedings of the Human Language Technology / North American Association of Computational Linguistics conference  HLT-NAACL 2006. New York, NY.
   |year      = 2006
   |url       = http://acl.ldc.upenn.edu/P/P06/P06-2063.pdf
@@ 第362行： / 第362行： @@
 | url = http://portal.acm.org/citation.cfm?id=1390763&dl=GUIDE&coll=GUIDE&CFID=92244761&CFTOKEN=30578437
 }}
-</ref>与单纯的语义技术不同的是，混合算法的思路利用了知识表达knowledge representation的元素，比如知识本体 ontologies、语意网络semantic networks，因此这种算法也可以检测到文字间比较微妙的情感表达。例如， 通过分析一些没有明确表达相关信息的概念与明确概念的隐性的联系来获取所求信息。<ref name="“Hussain">
+</ref>与单纯的语义技术不同的是，混合算法的思路利用了知识表达 knowledge representation的元素，比如知识本体  ontologies、语意网络 semantic networks，因此这种算法也可以检测到文字间比较微妙的情感表达。例如， 通过分析一些没有明确表达相关信息的概念与明确概念的隐性的联系来获取所求信息。<ref name="“Hussain">
 {{cite book
   | first1 = E
@@ 第385行： / 第385行： @@
 | url = http://portal.acm.org/citation.cfm?id=1964867
 }}
-</ref> 另一方面，基于知识的系统利用公开可用的资源，提取与自然语言概念相关的语义和情感信息。该系统可以帮助执行情感常识推理。<ref name=":24">{{Cite journal|last1=Sasikala|first1=P.|last2=Mary Immaculate Sheela|first2=L.|date=December 2020|title=Sentiment analysis of online product reviews using DLMNN and future prediction of online product using IANFIS|journal=Journal of Big Data|language=en|volume=7|issue=1|pages=33|doi=10.1186/s40537-020-00308-7|issn=2196-1115|doi-access=free}}</ref>此外，情感分析也可以在视觉内容层面上进行，例如多模态情感分析multimodal sentiment analysis中对图像和视频进行分析。这方面的第一种方法是SentiBank。<ref name="Borth13">
+</ref> 另一方面，基于知识的系统利用公开可用的资源，提取与自然语言概念相关的语义和情感信息。该系统可以帮助执行情感常识推理。<ref name=":24">{{Cite journal|last1=Sasikala|first1=P.|last2=Mary Immaculate Sheela|first2=L.|date=December 2020|title=Sentiment analysis of online product reviews using DLMNN and future prediction of online product using IANFIS|journal=Journal of Big Data|language=en|volume=7|issue=1|pages=33|doi=10.1186/s40537-020-00308-7|issn=2196-1115|doi-access=free}}</ref>此外，情感分析也可以在视觉内容层面上进行，例如多模态情感分析 multimodal sentiment analysis中对图像和视频进行分析。这方面的第一种方法是SentiBank。<ref name="Borth13">
 {{cite conference
   | first1 = Damian | last1 = Borth
@@ 第395行： / 第395行： @@
   | url = https://visual-sentiment-ontology.appspot.com
 }}
-</ref> SentiBank方法利用形容词-名词对来代表视觉内容的属性。另外，绝大多数的情感分类方法都依赖于词袋模型bag-of-words model，它忽略上下文语境、语法甚至是语序。根据词语如何构成较长短语的意义来分析情感的方法显示出了更好的效果，<ref name=":25">{{Cite journal|last1=Socher|first1=Richard|last2=Perelygin|first2=Alex|last3=Wu|first3=Jean Y.|last4=Chuang|first4=Jason|last5=Manning|first5=Christopher D.|last6=Ng|first6=Andrew Y.|last7=Potts|first7=Christopher|date=2013|title=Recursive deep models for semantic compositionality over a sentiment treebank|journal=In Proceedings of EMNLP|pages=1631–1642|citeseerx=10.1.1.593.7427}}</ref> 但它们会也会导致产生额外的标识成本。
+</ref> SentiBank方法利用形容词-名词对来代表视觉内容的属性。另外，绝大多数的情感分类方法都依赖于词袋模型 bag-of-words model，它忽略上下文语境、语法甚至是语序。根据词语如何构成较长短语的意义来分析情感的方法显示出了更好的效果，<ref name=":25">{{Cite journal|last1=Socher|first1=Richard|last2=Perelygin|first2=Alex|last3=Wu|first3=Jean Y.|last4=Chuang|first4=Jason|last5=Manning|first5=Christopher D.|last6=Ng|first6=Andrew Y.|last7=Potts|first7=Christopher|date=2013|title=Recursive deep models for semantic compositionality over a sentiment treebank|journal=In Proceedings of EMNLP|pages=1631–1642|citeseerx=10.1.1.593.7427}}</ref> 但它们会也会导致产生额外的标识成本。

@@ 第277行： / 第277行： @@
 == 方法和特征 ==
-现有的情感分析的方法主要可以分成三类：基于知识的技术（knowledge-based techniques）、统计方法（statistical methods）和混合方法（hybrid approaches）。<ref name="“Cambria">
+现有的情感分析的方法主要可以分成三类：基于知识的技术knowledge-based techniques、统计方法statistical methods和混合方法hybrid approaches。<ref name="“Cambria">
 {{cite journal
   | first1 = E
@@ 第296行： / 第296行： @@
   | citeseerx = 10.1.1.688.1384
   }}
-</ref>基于知识的技术根据明确的情感词（如快乐、悲伤、害怕和无聊）的存在对文本进行分类。<ref name="Ortony">
+</ref>基于知识的技术根据明确的情感词如快乐、悲伤、害怕和无聊的存在对文本进行分类。<ref name="Ortony">
 {{cite book
   |first1      = Andrew
@@ 第331行： / 第331行： @@
   | doi-access = free
   }}
-</ref>统计方法通过调控机器学习中的元素，比如潜在语意分析（latent semantic analysis），SVM（support vector machines），词袋（bag of words），（Pointwise Mutual Information for Semantic Orientation）<ref name="Turney02">
+</ref>统计方法通过调控机器学习中的元素，比如潜在语意分析latent semantic analysis，SVMsupport vector machines，词袋bag of words，Pointwise Mutual Information for Semantic Orientation<ref name="Turney02">
 {{cite conference
   | first = Peter | last = Turney
@@ 第340行： / 第340行： @@
   | arxiv = cs.LG/0212032
 }}
-</ref>和深度学习（depp learning）等等。一些复杂的方法意在检测出情感持有者（比如，保持情绪状态的那个人）和情感目标（比如，让情感持有者产生情绪的实体）。<ref name="Kim+Hovy06">
+</ref>和深度学习depp learning等等。一些复杂的方法意在检测出情感持有者比如，保持情绪状态的那个人和情感目标比如，让情感持有者产生情绪的实体。<ref name="Kim+Hovy06">
 {{cite conference
   |last1     = Kim
@@ 第347行： / 第347行： @@
   |first2    = E. H.
   |title     = Identifying and Analyzing Judgment Opinions.
-  |book-title = Proceedings of the Human Language Technology / North American Association of Computational Linguistics conference （HLT-NAACL 2006）. New York, NY.
+  |book-title = Proceedings of the Human Language Technology / North American Association of Computational Linguistics conference HLT-NAACL 2006. New York, NY.
   |year      = 2006
   |url       = http://acl.ldc.upenn.edu/P/P06/P06-2063.pdf
@@ 第362行： / 第362行： @@
 | url = http://portal.acm.org/citation.cfm?id=1390763&dl=GUIDE&coll=GUIDE&CFID=92244761&CFTOKEN=30578437
 }}
-</ref>与单纯的语义技术不同的是，混合算法的思路利用了知识表达（knowledge representation）的元素，比如知识本体 （ontologies）、语意网络（semantic networks），因此这种算法也可以检测到文字间比较微妙的情感表达。例如， 通过分析一些没有明确表达相关信息的概念与明确概念的隐性的联系来获取所求信息。<ref name="“Hussain">
+</ref>与单纯的语义技术不同的是，混合算法的思路利用了知识表达knowledge representation的元素，比如知识本体 ontologies、语意网络semantic networks，因此这种算法也可以检测到文字间比较微妙的情感表达。例如， 通过分析一些没有明确表达相关信息的概念与明确概念的隐性的联系来获取所求信息。<ref name="“Hussain">
 {{cite book
   | first1 = E
@@ 第385行： / 第385行： @@
 | url = http://portal.acm.org/citation.cfm?id=1964867
 }}
-</ref> 另一方面，基于知识的系统利用公开可用的资源，提取与自然语言概念相关的语义和情感信息。该系统可以帮助执行情感常识推理。<ref name=":24">{{Cite journal|last1=Sasikala|first1=P.|last2=Mary Immaculate Sheela|first2=L.|date=December 2020|title=Sentiment analysis of online product reviews using DLMNN and future prediction of online product using IANFIS|journal=Journal of Big Data|language=en|volume=7|issue=1|pages=33|doi=10.1186/s40537-020-00308-7|issn=2196-1115|doi-access=free}}</ref>此外，情感分析也可以在视觉内容层面上进行，例如多模态情感分析（multimodal sentiment analysis）中对图像和视频进行分析。这方面的第一种方法是SentiBank。<ref name="Borth13">
+</ref> 另一方面，基于知识的系统利用公开可用的资源，提取与自然语言概念相关的语义和情感信息。该系统可以帮助执行情感常识推理。<ref name=":24">{{Cite journal|last1=Sasikala|first1=P.|last2=Mary Immaculate Sheela|first2=L.|date=December 2020|title=Sentiment analysis of online product reviews using DLMNN and future prediction of online product using IANFIS|journal=Journal of Big Data|language=en|volume=7|issue=1|pages=33|doi=10.1186/s40537-020-00308-7|issn=2196-1115|doi-access=free}}</ref>此外，情感分析也可以在视觉内容层面上进行，例如多模态情感分析multimodal sentiment analysis中对图像和视频进行分析。这方面的第一种方法是SentiBank。<ref name="Borth13">
 {{cite conference
   | first1 = Damian | last1 = Borth
@@ 第395行： / 第395行： @@
   | url = https://visual-sentiment-ontology.appspot.com
 }}
-</ref> SentiBank方法利用形容词-名词对来代表视觉内容的属性。另外，绝大多数的情感分类方法都依赖于词袋模型（bag-of-words model），它忽略上下文语境、语法甚至是语序。根据词语如何构成较长短语的意义来分析情感的方法显示出了更好的效果，<ref name=":25">{{Cite journal|last1=Socher|first1=Richard|last2=Perelygin|first2=Alex|last3=Wu|first3=Jean Y.|last4=Chuang|first4=Jason|last5=Manning|first5=Christopher D.|last6=Ng|first6=Andrew Y.|last7=Potts|first7=Christopher|date=2013|title=Recursive deep models for semantic compositionality over a sentiment treebank|journal=In Proceedings of EMNLP|pages=1631–1642|citeseerx=10.1.1.593.7427}}</ref> 但它们会也会导致产生额外的标识成本。
+</ref> SentiBank方法利用形容词-名词对来代表视觉内容的属性。另外，绝大多数的情感分类方法都依赖于词袋模型bag-of-words model，它忽略上下文语境、语法甚至是语序。根据词语如何构成较长短语的意义来分析情感的方法显示出了更好的效果，<ref name=":25">{{Cite journal|last1=Socher|first1=Richard|last2=Perelygin|first2=Alex|last3=Wu|first3=Jean Y.|last4=Chuang|first4=Jason|last5=Manning|first5=Christopher D.|last6=Ng|first6=Andrew Y.|last7=Potts|first7=Christopher|date=2013|title=Recursive deep models for semantic compositionality over a sentiment treebank|journal=In Proceedings of EMNLP|pages=1631–1642|citeseerx=10.1.1.593.7427}}</ref> 但它们会也会导致产生额外的标识成本。
 在情感分析中，需要有人工分析的成分。因为自动化系统无法分析评论者个人的历史倾向，也无法分析平台的历史倾向，这往往导致对表达的情感的错误分类。自动化情感分类器通常能够识别大约23% 被人类正确分类的评论。<ref>{{cite web|title=Case Study: Advanced Sentiment Analysis|url=http://paragonpoll.com/sentiment-analysis-systems-case-study/|access-date=18 October 2013}}</ref>然而，人们往往不同意这种说法，并认为自动化情感分类器最终可以达到的与人类一致的判断上限。<ref>{{Cite journal|last1=Mozetič|first1=Igor|last2=Grčar|first2=Miha|last3=Smailović|first3=Jasmina|date=2016-05-05|title=Multilingual Twitter Sentiment Classification: The Role of Human Annotators|journal=PLOS ONE|volume=11|issue=5|pages=e0155036|doi=10.1371/journal.pone.0155036|issn=1932-6203|pmc=4858191|pmid=27149621|arxiv=1602.07563|bibcode=2016PLoSO..1155036M}}</ref>
 == 评估 ==

←上一版本		2021年9月1日 (三) 12:11的版本
第192行：		第192行：


−	然而，研究人员认识到在为表达方式分类制定一套固定的规则集方面存在一些挑战。规则开发中的大部分挑战源于文本信息的性质。一些研究人员已经认识到了六个挑战： ~~1）隐喻性的表达，2）写作中的差异，3）上下文敏感性，4）时间敏感性，5）代表性词用法较少以及6）不断增长的数量。~~	+	然而，研究人员认识到在为表达方式分类制定一套固定的规则集方面存在一些挑战。规则开发中的大部分挑战源于文本信息的性质。一些研究人员已经认识到了六个挑战： 1）隐喻性的表达，2）写作中的差异，3）上下文敏感性，4）时间敏感性，5）代表性词用法较少，6）不断增长的数量。

	# 隐喻性的表达：文本中包含隐喻性的表达可能会影响抽取的表现。<ref name=":13">{{Cite journal\|last1=Wiebe\|first1=Janyce\|last2=Riloff\|first2=Ellen\|date=July 2011\|title=Finding Mutual Benefit between Subjectivity Analysis and Information Extraction\|url=https://ieeexplore.ieee.org/document/5959154\|journal=IEEE Transactions on Affective Computing\|volume=2\|issue=4\|pages=175–191\|doi=10.1109/T-AFFC.2011.19\|issn=1949-3045}}</ref>此外，隐喻可能采取不同的形式，这会增加识别的难度。		# 隐喻性的表达：文本中包含隐喻性的表达可能会影响抽取的表现。<ref name=":13">{{Cite journal\|last1=Wiebe\|first1=Janyce\|last2=Riloff\|first2=Ellen\|date=July 2011\|title=Finding Mutual Benefit between Subjectivity Analysis and Information Extraction\|url=https://ieeexplore.ieee.org/document/5959154\|journal=IEEE Transactions on Affective Computing\|volume=2\|issue=4\|pages=175–191\|doi=10.1109/T-AFFC.2011.19\|issn=1949-3045}}</ref>此外，隐喻可能采取不同的形式，这会增加识别的难度。

@@ 第274行： / 第274行： @@
 }}
 </ref>
 == 方法和特征 ==

@@ 第180行： / 第180行： @@
 客观指的是具有事实信息的事件。<ref name="Wiebe 2005 486–497">{{Cite journal|last1=Wiebe|first1=Janyce|last2=Riloff|first2=Ellen|date=2005|editor-last=Gelbukh|editor-first=Alexander|title=Creating Subjective and Objective Sentence Classifiers from Unannotated Texts|url=https://link.springer.com/chapter/10.1007%2F978-3-540-30586-6_53|journal=Computational Linguistics and Intelligent Text Processing|series=Lecture Notes in Computer Science|volume=3406|language=en|location=Berlin, Heidelberg|publisher=Springer|pages=486–497|doi=10.1007/978-3-540-30586-6_53}}</ref>
 主观这个术语描述的事件包含各种形式的非事实信息，如个人意见、判断和预测。也被Quirk等人称为“私人状况（private states）”。<ref name=":10">{{Cite book|last1=Quirk|first1=Randolph|title=A Comprehensive Grammar of the English Language (General Grammar)|last2=Greenbaum|first2=Sidney|last3=Geoffrey|first3=Leech|last4=Jan|first4=Svartvik|publisher=Longman|year=1985|isbn=1933108312|pages=175–239}}</ref>在下面的例子中，它反映了“我们美国人”这样一个私人状态。此外，被评论的目标实体可以是从有形到无形的话题事项等多种形式（Liu,2010）。<ref name="Liu2010" />  此外，刘（2010）还观察到三种类型的态度: 1)正面的观点，2)中性的观点，3)负面的观点。<ref name="Liu2010" />
 这种分析是一个分类的问题。<ref name=":1" />
@@ 第210行： / 第210行： @@
 # 人为错误。人工标记是一项细致的工作，需要精力高度集中才能完成。
 # 耗时长。人工注释是一项繁重的工作。Riloff(1996)的调查研究表明，一个标记者完成160篇文本标记需要8个小时。<ref name=":17">{{Cite journal|last=Riloff|first=Ellen|date=1996-08-01|title=An empirical study of automated dictionary construction for information extraction in three domains|url=https://dx.doi.org/10.1016%2F0004-3702%2895%2900123-9|journal=Artificial Intelligence|language=en|volume=85|issue=1|pages=101–134|doi=10.1016/0004-3702(95)00123-9|issn=0004-3702|doi-access=free}}</ref>
 上面所有提到的这些原因都会影响主客观分类的效率和效果。因此，研究者设计了两种自举算法（bootstrapping methods），这两种方法的目的是从未标记的文本数据中学习语言模式。两种方法都以少量种子词和大量未标记的文本语料开始。
 # Meta-Bootstrapping（Riloff & Jones，1999）。<ref name=":18">{{Cite journal|last1=Riloff|first1=Ellen|last2=Jones|first2=Rosie|date=July 1999|title=Learning dictionaries for information extraction by multi-level bootstrapping|url=https://aaai.org/Papers/AAAI/1999/AAAI99-068.pdf|journal=AAAI '99/IAAI '99: Proceedings of the Sixteenth National Conference on Artificial Intelligence and the Eleventh Innovative Applications of Artificial Intelligence Conference Innovative Applications of Artificial Intelligence|pages=474–479}}</ref>  第一步: 根据预定义的规则生成提取模式，并根据每个模式所包含的种子词数量生成提取模式。第二步: 将分数排名前5的单词标记并添加到语义字典中。重复上述方法。
@@ 第222行： / 第222行： @@
 主观和客观分类器可以增强自然语言处理的服务应用。该分类器的主要好处之一是，它使数据驱动的决策过程在各个行业中得到普及。据Liu介绍，主观和客观识别的应用已经在商业、广告、体育和社会科学中得到了实践。<ref name=":20">{{Cite journal|last=Liu|first=Bing|date=2012-05-23|title=Sentiment Analysis and Opinion Mining|url=https://www.morganclaypool.com/doi/abs/10.2200/S00416ED1V01Y201204HLT016|journal=Synthesis Lectures on Human Language Technologies|volume=5|issue=1|pages=1–167|doi=10.2200/S00416ED1V01Y201204HLT016|issn=1947-4040}}</ref>
 * 在线评论分类：在商业行业，分类器帮助公司更好地理解产品的反馈和对评论背后逻辑的推理。

@@ 第179行： / 第179行： @@
 客观指的是具有事实信息的事件。<ref name="Wiebe 2005 486–497">{{Cite journal|last1=Wiebe|first1=Janyce|last2=Riloff|first2=Ellen|date=2005|editor-last=Gelbukh|editor-first=Alexander|title=Creating Subjective and Objective Sentence Classifiers from Unannotated Texts|url=https://link.springer.com/chapter/10.1007%2F978-3-540-30586-6_53|journal=Computational Linguistics and Intelligent Text Processing|series=Lecture Notes in Computer Science|volume=3406|language=en|location=Berlin, Heidelberg|publisher=Springer|pages=486–497|doi=10.1007/978-3-540-30586-6_53}}</ref>
 * 客观句的例子：“要当选美国总统，候选人必须年满35岁。”
 主观这个术语描述的事件包含各种形式的非事实信息，如个人意见、判断和预测。也被Quirk等人称为“私人状况（private states）”。<ref name=":10">{{Cite book|last1=Quirk|first1=Randolph|title=A Comprehensive Grammar of the English Language (General Grammar)|last2=Greenbaum|first2=Sidney|last3=Geoffrey|first3=Leech|last4=Jan|first4=Svartvik|publisher=Longman|year=1985|isbn=1933108312|pages=175–239}}</ref>在下面的例子中，它反映了“我们美国人”这样一个私人状态。此外，被评论的目标实体可以是从有形到无形的话题事项等多种形式（Liu,2010）。<ref name="Liu2010" />  此外，刘（2010）还观察到三种类型的态度: 1)正面的观点，2)中性的观点，3)负面的观点。<ref name="Liu2010" />
 * 主观句的例子：“我们美国人需要选出一位成熟且能够做出明智决定的总统。”

@@ 第181行： / 第181行： @@
 * 客观句的例子：“要当选美国总统，候选人必须年满35岁。”
 主观这个术语描述的事件包含各种形式的非事实信息，如个人意见、判断和预测。也被Quirk等人称为“私人状况（private states）”。<ref name=":10">{{Cite book|last1=Quirk|first1=Randolph|title=A Comprehensive Grammar of the English Language (General Grammar)|last2=Greenbaum|first2=Sidney|last3=Geoffrey|first3=Leech|last4=Jan|first4=Svartvik|publisher=Longman|year=1985|isbn=1933108312|pages=175–239}}</ref>在下面的例子中，它反映了“我们美国人”这样一个私人状态。此外，被评论的目标实体可以是从有形到无形的话题事项等多种形式（Liu,2010）。<ref name="Liu2010" />  此外，刘（2010）还观察到三种类型的态度: 1)正面的观点，2)中性的观点，3)负面的观点。<ref name="Liu2010" />
 * 主观句的例子：“我们美国人需要选出一位成熟且能够做出明智决定的总统。”
@@ 第232行： / 第230行： @@
 * 特定领域的应用。
 * 电子邮件分析: 主观和客观分类器通过追踪目标单词的语言模式来检测垃圾邮件。
 ===基于功能/属性的情感分析===