在人工智能的研究中，既包括对人类理性思维的模拟，又包括对人类感性思维的计算。本书重点讲述的文本情感分析技术就属于后者。介绍的知识点包括文本情感分析的基础理论和资源、核心任务，以及上层应用三大部分。在文本情感分析的基础理论和资源部分，将讲述基于深度学习的情感表示方法，以及语料、词典和相关评测等资源；在文本情感分析的核心任务部分，将讲述文本情感分类、情感信息抽取、隐式情感、多模态情感等若干核心任务；在文本情感分析的上层应用部分，将讲述观点分析、情感文摘等典型应用。
本书可以为自然语言处理、人工智能等领域的科研人员和IT从业者提供创新的发展视角及相关理论、方法与技术支撑，也可作为相关专业高年级本科生和研究生的课程教材。

近年来，在深度学习、大数据等革命性技术的推动下，人工智能领域迎来了又一个春天。在人工智能的研究中，既包括对于人类理性思维的模拟，还包括对人类感性思维的计算。本书重点讲述的文本情感分析技术就属于后者。该技术源于自然语言处理领域，但也有别于一般的自然语言处理任务。文本情感分析面向的处理对象是社交媒体中产生的用户评论文本，该文本的特点是带有大量的用户主观情感信息，因此该技术的核心是通过自动分析评论文本来进行情感的理解。文本情感分析技术已有20 余年的研究历史，凝聚成了多项研究任务和实用技术，已应用于舆情分析、电子商务等领域，具有重大的社会价值和商业价值。本书介绍的知识点包括文本情感分析的基础理论和资源、核心任务，以及上层应用三大部分。在文本情感分析的基础理论和资源部分，该书将讲述基于深度学习的情感表示方法，以及语料、词典和相关评测等资源；在文本情感分析的核心任务部分，该书将讲述文本情感分类、情感信息抽取、隐式情感、多模态情感等若干核心任务；在文本情感分析的上层应用部分，该书将讲述观点分析、情感文摘等典型应用。本书可以为自然语言处理、人工智能等领域的科研人员和IT 从业者提供创新的发展视角及相关理论、方法与技术支撑，也可作为相关专业高年级本科生和研究生课程教材。

目    录<br />序<br />前言<br />第1章  绪论  1<br />1.1  情感计算概述  1<br />1.1.1  情感及其意义  1<br />1.1.2  情感计算的概念与历史  2<br />1.1.3  情感计算的内容  2<br />1.2  从资源到表示  3<br />1.2.1  情感分类标准  3<br />1.2.2  情感词典  4<br />1.2.3  情感语义表示  4<br />1.3  从识别到生成  5<br />1.3.1  情感分析  5<br />1.3.2  情感原因发现  7<br />1.3.3  情感生成  7<br />1.4  从单模态到多模态  8<br />1.4.1  单模态情感分析  8<br />1.4.2  多模态情感分析  9<br />1.5  从个体到群体  9<br />1.5.1  个体情感  9<br />1.5.2  群体情感  10<br />1.5.3  个体情感和群体情感的<br />区别与联系  10<br />1.6  从理论到应用  10<br />1.6.1  推荐系统  11<br />1.6.2  抑郁症预测  11<br />1.6.3  聊天机器人  12<br />参考文献  12<br />第2章  文本情感语义表示  14<br />2.1  文本情感语义表示简介  14<br />2.1.1  文本情感语义表示的<br />基本概念  14<br />2.1.2  文本情感语义表示的<br />研究任务  18<br />2.2  静态情感语义表示学习  20<br />2.2.1  算法思想  20<br />2.2.2  代表性算法模型  21<br />2.3  动态情感语义表示学习  27<br />2.3.1  算法思想  28<br />2.3.2  代表性算法模型  28<br />2.4  文本情感语义表示的未来<br />展望  39<br />2.5  本章总结  40<br />参考文献  41<br />第3章  粗粒度文本情感分类  43<br />3.1  粗粒度文本情感分类简介  43<br />3.1.1  文档级情感分类的基本<br />概念  43<br />3.1.2  跨领域文本情感分类的<br />基本概念  44<br />3.1.3  跨语言情感分类的基本<br />概念  44<br />3.2  基于传统机器学习的文本情感<br />分类方法  45<br />3.2.1  基于无监督的文本情感<br />分类方法  45<br />3.2.2  基于情感特征的统计机器学<br />习文本情感分类方法  46<br />3.3  基于深度学习的文本情感<br />分类方法  48<br />3.3.1  基于递归神经网络的<br />文本情感分类  48<br />3.3.2  基于卷积神经网络的<br />文本情感分类  50<br />3.3.3  基于循环神经网络的<br />文本情感分类  51<br />3.4  跨领域文本情感分类  55<br />3.4.1  基于实例迁移策略的跨<br />领域文本情感分类  55<br />3.4.2  基于特征迁移策略的跨<br />领域文本情感分类  56<br />3.4.3  基于参数迁移策略的跨<br />领域文本情感分类  57<br />3.5  跨语言文本情感分类  59<br />3.5.1  基于机器翻译的方法  60<br />3.5.2  基于预训练模型的方法  61<br />3.5.3  基于生成对抗网络的方法  63<br />3.6  本章总结  64<br />参考文献  65<br />第4章  细粒度情感分析  68<br />4.1  细粒度情感分析任务及基本要素  68<br />4.2  经典的属性级情感分析任务  71<br />4.2.1  属性抽取  71<br />4.2.2  属性情感分类  73<br />4.2.3  <属性，情感>配对抽取  77<br />4.3  属性类别相关的细粒度情感分析  78<br />4.3.1  属性类别的检测  79<br />4.3.2  基于属性类别的情感分类  79<br />4.3.3  属性类别–情感的联合<br />分类  79<br />4.4  观点词相关的细粒度情感分析  80<br />4.4.1  属性词和观点词的联合<br />抽取  80<br />4.4.2  基于属性词的观点词抽取  81<br />4.4.3  <属性词,观点词>配对<br />抽取  81<br />4.5  多元组形式的细粒度情感分析  81<br />4.5.1  <属性词,属性类别,情感<br />极性>三元组抽取  81<br />4.5.2  <属性词,观点词,情感<br />极性>三元组抽取  82<br />4.5.3  <属性词,属性类别,<br />观点词,情感极性><br />四元组抽取  84<br />4.6  包含更多要素的细粒度情感分析  84<br />4.6.1  包含观点持有者的细粒度<br />情感分析  85<br />4.6.2  基于比较观点的细粒度<br />情感分析  85<br />4.7  细粒度情感分析的挑战  86<br />4.8  本章总结  87<br />参考文献  87<br />第5章  隐式情感分析  92<br />5.1  隐式情感分析基本概念  92<br />5.2  事实型隐式情感分析  94<br />5.2.1  基于语言特征的隐式情感<br />分析方法  94<br />5.2.2  基于情感常识知识表示的<br />事实型隐式情感分析方法  95<br />5.2.3  基于异构用户知识融合的<br />隐式情感分析  97<br />5.3  比喻/隐喻型隐式情感  98<br />5.3.1  基于词语特性的隐喻分析<br />方法  99<br />5.3.2  基于语义场景不一致的<br />隐喻序列标注方法  100<br />5.4  反讽型隐式情感分析  103<br />5.4.1  基于词汇信息和上下文<br />的反讽识别方法  103<br />5.4.2  融合语言特征及背景信息的<br />反讽型隐式情感识别方法  104<br />5.4.3  基于情感对比和多视角<br />注意力的反讽识别方法  106<br />5.5  反问型隐式情感分析  107<br />5.5.1  基于句法结构的反问型<br />情感分析方法  108<br />5.5.2  基于多特征融合的反问型<br />隐式情感分析方法  109<br />5.6  幽默识别  111<br />5.6.1  幽默识别的基本概念  111<br />5.6.2  基于语音和模糊性语义<br />理解的门控注意力机制<br />的幽默识别方法  112<br />5.7  隐式情感语料库  113<br />5.8  本章总结  114<br />参考文献  114<br />第6章  情感原因分析  119<br />6.1  问题定义与分类  119<br />6.2  情感原因识别方法  121<br />6.2.1  基于规则的方法  121<br />6.2.2  基于统计的机器学习方法  123<br />6.2.3  基于深度学习的方法  125<br />6.2.4  各类方法的特点分析  131<br />6.3  情感–原因对联合抽取方法  132<br />6.3.1  基于流水线结构的方法  132<br />6.3.2  基于端到端结构的方法  133<br />6.4  展望  139<br />参考文献  142<br />第7章  文本立场检测  145<br />7.1  文本立场检测定义与分类  145<br />7.2  特定目标立场检测  147<br />7.2.1  基于规则的方法  147<br />7.2.2  基于统计的机器学习<br />方法  148<br />7.2.3  基于深度学习的方法  150<br />7.3  多目标立场检测  153<br />7.4  跨目标立场检测  156<br />7.4.1  基于知识迁移的模型  156<br />7.4.2  基于图网络的模型  158<br />7.4.3  融合外部知识的方法  159<br />7.5  零样本立场检测  159<br />7.5.1  基于知识迁移的模型  159<br />7.5.2  基于对比学习的模型  160<br />7.5.3  融合外部知识的方法  162<br />7.6  其他立场检测相关研究  163<br />7.7  本章总结  164<br />参考文献  164<br />第8章  计算论辩  167<br />8.1  论辩理论  167<br />8.2  独白式论辩  169<br />8.2.1  论辩挖掘  170<br />8.2.2  论辩质量评估  172<br />8.3  对话式论辩  174<br />8.3.1  交互论点对识别  175<br />8.3.2  对话式论辩生成  176<br />8.4  论辩应用  179<br />8.4.1  智慧论辩  179<br />8.4.2  智慧教育  181<br />8.4.3  司法领域  182<br />8.5  总结和未来方向  184<br />参考文献  185<br />第9章  情感生成  187<br />9.1  情感生成简介  187<br />9.1.1  情感生成的基本概念  187<br />9.1.2  情感生成的主要研究<br />任务  189<br />9.2  主观评论生成  190<br />9.2.1?结合推荐系统  192<br />9.2.2?融合细粒度信息  193<br />9.2.3?扩展输入知识源  194<br />9.3  情感对话系统  196<br />9.3.1  情感对话生成  196<br />9.3.2  融合共情的对话交互  200<br />9.3.3  基于情绪支持策略的<br />对话交互  204<br />9.4  情感生成的未来展望  208<br />9.5  本章总结  209<br />参考文献  209<br />第10章  多模态情感计算研究  212<br />10.1?基于语音的情感语义表示学习  212<br />10.1.1?语音情感分析的背景  212<br />10.1.2?情感描述方法  214<br />10.1.3?语音情感特征提取  216<br />10.1.4?语音情感识别模型  218<br />10.1.5  海量互联网语音半监督<br />情感分析  219<br />10.2?基于图像的情感语义表示学习  222<br />10.2.1?图像情感分析的背景  222<br />10.2.2?可解释的图像情感分析  223<br />10.2.3?图像的美学风格理解  224<br />10.2.4  图像生成  225<br />10.2.5?计算美学的其他应用  227<br />10.3  多模态心理健康计算  229<br />10.3.1  多模态心理健康计算<br />简介  229<br />10.3.2  单一数据集的多模态<br />抑郁检测  230<br />10.3.3  跨平台的多模态抑郁<br />检测  233<br />10.4  本章总结  237<br />参考文献  237<br />第11章  情感分析的评测与资源<br />介绍  241<br />11.1  情感词典  241<br />11.1.1  情感词典的构建方法  241<br />11.1.2  情感词典资源介绍  246<br />11.1.3  小结  247<br />11.2  情感分析语料库  247<br />11.2.1  情感分析语料库构建  247<br />11.2.2  情感语料资源介绍  248<br />11.2.3  情绪语料资源介绍  249<br />11.2.4  多模态情感语料资源<br />介绍  250<br />11.2.5  对话情感语料资源介绍  253<br />11.2.6  小结  254<br />11.3  情感分析评测  254<br />11.3.1  国外情感分析评测  255<br />11.3.2  国内情感分析评测  258<br />11.3.3?小结  259<br />11.4  情感分析资源延展阅读  259<br />11.5  本章总结  260<br />参考文献  260<br />第12章  情感计算应用  263<br />12.1  推荐系统中的情感计算  263<br />12.1.1  推荐系统中的情感计算<br />简介  263<br />12.1.2  情感计算在推荐系统中<br />的去偏差应用  264<br />12.1.3  情感计算在推荐系统中<br />的增加可解释性应用  266<br />12.2  心理健康诊断中的情感<br />计算  270<br />12.2.1  概述  270<br />12.2.2  情感计算在抑郁检测中<br />的应用  270<br />12.2.3  情感计算在抑郁检测中<br />的相关研究方法  272<br />12.2.4  抑郁检测中的案例<br />分析  275<br />12.2.5  抑郁检测相关数据集  278<br />12.2.6  心理健康诊断领域的<br />研究展望  281<br />12.3  媒体数据情感分析中的情感<br />计算  281<br />12.3.1  经济、市场与服务中的<br />情感分析  281<br />12.3.2  自然灾害管理中的情感<br />分析  284<br />12.4  本章总结  288<br />参考文献  288<br />第13章  大模型时代下的情感<br />计算  291<br />13.1  大模型时代下的机遇与挑战  291<br />13.2  大模型时代下现有情感计算研究<br />方向进展  292<br />13.2.1  细粒度情感分析  292<br />13.2.2  情感对话生成  297<br />13.2.3  多模态情感分析  303<br />13.3  大模型时代下涌现的新的研究<br />方向  307<br />13.4  本章总结  312<br />参考文献  312