摘 要：针对微博进行情绪分析就是对微博所表达的喜、哀、怒、惧、恶、惊六种情绪进行分析，对迅速了解大众情绪走向并且对于个人情绪调节有着重要的意义。本文对情绪分析的研究背景以及研究内容进行了阐述，重点探索了情绪分析的难点和基于情绪词典的情绪分析方法。为情绪分析的进一步研究奠定了基础。
关键词：微博，情绪分析，情绪词典
一、研究背景
微博作为一种即时通讯工具，其简便易用，具备非常好的实时性，中国已经进入全民微博时代。越来越多的互联网用户注册微博，他们通过微博自由地发表自己的观点及情感，如对名人的喜欢或憎恶、对电影的评论、对品牌的评价或建议、对社会热点的看法以及生活中的喜怒哀乐等。这些看似琐碎的信息其实蕴含着巨大的商业价值，如预测电影票房、挖掘产品意见、了解用户需求、开拓新市场等。除此之外，分析微博有助于进行舆情监控、问答系统的研究，还可以用来帮助心理专家检测用户心理状态。
二、本文的研究内容
微博文本数据规模庞大，给自然语言研究处理带来了新的机遇和挑战，吸引了大量语言研究工作者从事微博的研究工作。其中，尤其以含有情感的微博文本更吸引人们的注意，成为了挖掘工作的宝贵资源。同时，对微博进行文本分类研究可以帮助解决用户观点分析和情感挖掘。目前，情感分析任务大致分为两种：一种是主客观文本分类；另一种是主观文本的情感分析，即对带有情感色彩的文本进行自动分析并预测其情感极性。情感分析任务根据不同应用分为两个领域：评价分析和情绪分析，前者侧重于产品性能评价，后者侧重于人的心理感受。本文主要进行中文微博的情绪分析，从以下方面进行研究：分析微博表达特点，探索微博中的情绪分析方法。
三、情绪分析的难点
（一）微博文本有三个最显著的特点：一、简短，只包含140个字符。二、含有丰富的表情符。三、语言表达口语化。这三个特点给微博情绪分析带来了新的挑战。中文微博至多可以输入140个中文字符，一般包含一个到三个中文句子。一个句子中包含的情感信息较少，很难挖掘；反讽句子，难以判断情绪类别。多个句子表达的感情相互独立、不一致，情绪挖掘意见难以统一。微博非结构化口语表达中混入了很多的谐音字，如“V5”等同于“威武”；英文缩略词，如“OMG”是“Oh， My God！”的缩写；网络用语频出，如“又挂科了，累觉不爱啊！”；表达口语化，难以分辨情绪，如“自然卷留毛线头发啊！！！”
（二）由于中文表达的多样性，在对其进行情绪分析时面临诸多困难：
a）同一个中文词语在不同语境中能表达不同的情感倾向。如“骄傲的人永远以自我为中心。”和“我为你骄傲，中国！”两句中的“骄傲”，前者表现了厌恶的情绪，后者则传达了喜爱的情绪。
b）不同词性下，词语的情感色彩不一致。如“好”作为副词不表达情感，但是作为形容词则传递了正面情绪。
c）本身不带有情感的词，被寓以特定情感。如“马圈里的那匹黑马今年三岁了。”和“斯诺克国锦赛年仅16岁的小将赵心童黑马成色不减以6：1淘汰世锦赛亚军霍金斯。”中的“黑马”，该词本身并没有任何情感倾向，但常常被使用来形容初出茅庐却取得优异成绩的人或物，具有积极正面的情感。
四、情绪分析方法探索
（一）情绪词典
在情绪研究中情绪词典一直都占据重要的位置。但是词典构建时选用的语料库对词典适用领域有一定的限制性。如：清华大学的中文褒贬义词典v1.0根据携程网宾馆评论语料库构建，更适用与进行正负向评论研究。目前，专注于情绪表达而非评论的中文情绪词典主要有HowNet、C-LIWC和DUTIR。在粗粒度的实验中，对情绪词典HowNet和C-LIWC进行比较分析，发现C-LIWC在微博数据集上的效果优于HowNet。对实验结果的分析表明了情绪词典的重要性，同时发现目前中文情绪词典存在着对网络用词收录不足。另外，从语言描述方面详细讨论了微博表达的特点，如语句中含有表情符，情绪的否定等都是情绪分析的重要线索。在细粒度的实验中，对情绪词典C-LIWC和DUTIR进行比较分析，发现C-LIWC虽然词汇量远远小于DUTIR，但结果却略好于DUTIR。具体来说，C-LIWC对喜和怒的识别F值更高，而DUTIR在哀和惧两类表现更优。
（二）基于规则的情绪分析方法
给定一条微博文本t，假设待判断的情绪种类集合为E=，其中m为情绪类别的总数，那么对t的情绪判断过程如下：
1. 使用中文分词系统对t进行分词处理得到单词序列q。
2. 对q中的单词/表情符与情绪词典中的情绪词/表情符进行匹配；对于每种情绪类别，统计匹配到的该类的情绪词/表情符的个数。
3. 对于每种情绪类别，计算t所对应的情绪值，公式如下：
根据上述过程可以看出，对于微博文本t，如果情绪词/表情符个数集合中存在唯一的最大值，那么可以判断t的情绪。否则，无法判别t的情绪类别。相应的，如果t未匹配到词典中任何的情绪词，t的情绪也无法判别。对于后一种情况我们说t未被词典覆盖。
参考文献
[2]贺飞艳，何炎祥，刘楠，等.面向微博短文本的细粒度情感特征抽取方法.北京大学学报（自然科学版），2014（01）.
