一、自然語(yǔ)言處理概覽——什么是自然語(yǔ)言處理（NLP)

1）相關(guān)技術(shù)與應(yīng)用

自動(dòng)問(wèn)答（Question Answering闻伶，QA）：它是一套可以理解復(fù)雜問(wèn)題滨攻，并以充分的準(zhǔn)確度、可信度和速度給出答案的計(jì)算系統(tǒng)蓝翰，以IBM‘s Waston為代表光绕；

信息抽取（Information Extraction畜份，IE）：其目的是將非結(jié)構(gòu)化或半結(jié)構(gòu)化的自然語(yǔ)言描述文本轉(zhuǎn)化結(jié)構(gòu)化的數(shù)據(jù)诞帐，如自動(dòng)根據(jù)郵件內(nèi)容生成Calendar；

情感分析（Sentiment Analysis漂坏，SA）：又稱傾向性分析和意見(jiàn)挖掘景埃，它是對(duì)帶有情感色彩的主觀性文本進(jìn)行分析、處理顶别、歸納和推理的過(guò)程谷徙，如從大量網(wǎng)頁(yè)文本中分析用戶對(duì)“數(shù)碼相機(jī)”的“變焦、價(jià)格驯绎、大小完慧、重量、閃光剩失、易用性”等屬性的情感傾向屈尼；

機(jī)器翻譯（Machine Translation，MT）：將文本從一種語(yǔ)言轉(zhuǎn)成另一種語(yǔ)言拴孤，如中英機(jī)器翻譯脾歧。

… …

2）發(fā)展現(xiàn)狀

基本解決：詞性標(biāo)注、命名實(shí)體識(shí)別演熟、Spam識(shí)別

取得長(zhǎng)足進(jìn)展：情感分析鞭执、共指消解、詞義消歧芒粹、句法分析兄纺、機(jī)器翻譯、信息抽取

挑戰(zhàn)：自動(dòng)問(wèn)答化漆、復(fù)述估脆、文摘、會(huì)話機(jī)器人

發(fā)展現(xiàn)狀

3）NLP主要難點(diǎn)——歧義問(wèn)題

詞法分析歧義

分詞座云，如“嚴(yán)守一把手機(jī)關(guān)了”疙赠，可能的分詞結(jié)果“嚴(yán)守一/ 把/ 手機(jī)/ 關(guān)/ 了” 和“嚴(yán)守/ 一把手/ 機(jī)關(guān)/ 了”

詞性標(biāo)注付材，如“計(jì)劃”在不同上下文中有不同的詞性：“我/ 計(jì)劃/v 考/ 研/”和“我/ 完成/ 了/ 計(jì)劃/n”

語(yǔ)法分析歧義

“那只狼咬死了獵人的狗”

”咬死了獵人的狗失蹤了”

語(yǔ)義分析歧義

計(jì)算機(jī)會(huì)像你的母親那樣很好的理解你（的語(yǔ)言）

計(jì)算機(jī)理解你喜歡你的母親

計(jì)算機(jī)會(huì)像很好的理解你的母親那樣理解你

機(jī)器翻譯：句子“At last, a computer that understands you like your mother”可以有多種含義，如下：

NLP應(yīng)用中的歧義

音字轉(zhuǎn)換：拼音串“ji qi fan yi ji qi ying yong ji qi le ren men ji qi nong hou de xing qu”中的“ji qi”如何轉(zhuǎn)換成正確的詞條

4）為什么自然語(yǔ)言理解如此困難圃阳？

用戶生成內(nèi)容中存在大量口語(yǔ)化伞租、成語(yǔ)、方言等非標(biāo)準(zhǔn)的語(yǔ)言描述

分詞問(wèn)題

新詞不斷產(chǎn)生

基本常識(shí)與上下文知識(shí)

各式各樣的實(shí)體詞

… …

為了解決以上難題限佩，我們需要掌握較多的語(yǔ)言學(xué)知識(shí)葵诈，構(gòu)建知識(shí)庫(kù)資源，并找到一種融合各種知識(shí)祟同、資源的方法作喘，目前使用較多是概率模型（probabilistic model）或稱為統(tǒng)計(jì)模型（statistical model），或者稱為“經(jīng)驗(yàn)主義模型”晕城，其建模過(guò)程基于大規(guī)模真實(shí)語(yǔ)料庫(kù)泞坦，從中各級(jí)語(yǔ)言單位上的統(tǒng)計(jì)信息，并且砖顷，依據(jù)較低級(jí)語(yǔ)言單位上的統(tǒng)計(jì)信息贰锁，運(yùn)行相關(guān)的統(tǒng)計(jì)、推理等技術(shù)計(jì)算較高級(jí)語(yǔ)言單位上的統(tǒng)計(jì)信息滤蝠。與其相對(duì)的“理想主義模型”豌熄，即基于Chomsky形式語(yǔ)言的確定性語(yǔ)言模型，它建立在人腦中先天存在語(yǔ)法規(guī)則這一假設(shè)基礎(chǔ)上物咳，認(rèn)為語(yǔ)言是人腦語(yǔ)言能力推導(dǎo)出來(lái)的锣险，建立語(yǔ)言模型就是通過(guò)建立人工編輯的語(yǔ)言規(guī)則集來(lái)模擬這種先天的語(yǔ)言能力。

本課程主要側(cè)重于基于統(tǒng)計(jì)的NLP技術(shù)览闰，如Viterbi芯肤、貝葉斯和最大熵分類(lèi)器、N-gram語(yǔ)言模型等等压鉴。

二崖咨、情感分析（Sentiment Analysis）

1）What is Sentiment Analysis?

情感分析（Sentiment analysis），又稱傾向性分析油吭，意見(jiàn)抽然鞫住（Opinion extraction），意見(jiàn)挖掘（Opinion mining）上鞠，情感挖掘（Sentiment mining）际邻，主觀分析（Subjectivity analysis）芯丧，它是對(duì)帶有情感色彩的主觀性文本進(jìn)行分析芍阎、處理、歸納和推理的過(guò)程缨恒，如從評(píng)論文本中分析用戶對(duì)“數(shù)碼相機(jī)”的“變焦谴咸、價(jià)格轮听、大小、重量岭佳、閃光血巍、易用性”等屬性的情感傾向。

更多例子如下：

l 從電影評(píng)論中識(shí)別用戶對(duì)電影的褒貶評(píng)價(jià)：

l Google Product Search識(shí)別用戶對(duì)產(chǎn)品各種屬性的評(píng)價(jià)珊随，并從評(píng)論中選擇代表性評(píng)論展示給用戶：

l Bing Shopping識(shí)別用戶對(duì)產(chǎn)品各種屬性的評(píng)價(jià)：

l Twitter sentiment versus Gallup Poll of Consumer Confidence：挖掘Twitter（中文：微博）中的用戶情感發(fā)現(xiàn)述寡，其與傳統(tǒng)的調(diào)查、投票等方法結(jié)果有高度的一致性（以消費(fèi)者信心和政治選舉為例叶洞，corelation達(dá)80%）鲫凶，詳細(xì)見(jiàn)論文：Brendan O’Connor, Ramnath Balasubramanyan, Bryan R. Routledge, and Noah A. Smith. 2010. From Tweets to Polls: Linking Text Sentiment to Public Opinion Time Series. In ICWSM-2010。（注：下圖中2008年到2009年初衩辟，網(wǎng)民情緒低谷是金融危機(jī)導(dǎo)致螟炫，從2009年5月份開(kāi)始慢慢恢復(fù)）

l Twitter sentiment: 通過(guò)Twitter用戶情感預(yù)測(cè)股票走勢(shì)，2012年5月艺晴，世界首家基于社交媒體的對(duì)沖基金 Derwent Capital Markets 在屢次跳票后終于上線昼钻。它會(huì)即時(shí)關(guān)注Twitter 中的公眾情緒指導(dǎo)投資。正如基金創(chuàng)始人保羅?郝头饽（Paul Hawtin）表示：“長(zhǎng)期以來(lái)然评，投資者已經(jīng)廣泛地認(rèn)可金融市場(chǎng)由恐懼和貪婪驅(qū)使，但我們從未擁有一種技術(shù)或數(shù)據(jù)來(lái)量化人們的情感狈究≌赐撸”一直為金融市場(chǎng)非理性舉動(dòng)所困惑的投資者，終于有了一扇可以了解心靈世界的窗戶——那便是 Twitter 每天浩如煙海的推文谦炒，在一份八月份的報(bào)道中顯示贯莺，利用Twitter 的對(duì)沖基金 Derwent Capital Markets 在首月的交易中已經(jīng)盈利，它以1.85%的收益率宁改，讓平均數(shù)只有0.76%的其他對(duì)沖基金相形見(jiàn)絀缕探。類(lèi)似的工作還有預(yù)測(cè)電影票房、選舉結(jié)果等还蹲，均是將公眾情緒與社會(huì)事件對(duì)比爹耗，發(fā)現(xiàn)一致性，并用于預(yù)測(cè)谜喊，如將“冷靜CLAM”情緒指數(shù)后移3天后和道瓊斯工業(yè)平均指數(shù)DIJA驚人一致潭兽。詳細(xì)見(jiàn)論文：

Johan Bollen, Huina Mao, Xiaojun Zeng. 2011. Twitter mood predicts the stock market, Journal of Computational Science 2:1, 1-8.（注：DIJA，全稱Dow Jones Industrial Average）

l Target Sentiment on Twitter（Twitter Sentiment App）：對(duì)Twitter中包含給定query的tweets進(jìn)行情感分類(lèi)斗遏。對(duì)于公司了解用戶對(duì)公司山卦、產(chǎn)品的喜好，用于指導(dǎo)改善產(chǎn)品和服務(wù)诵次，公司還可以據(jù)此發(fā)現(xiàn)競(jìng)爭(zhēng)對(duì)手的優(yōu)劣勢(shì)账蓉，用戶也可以根據(jù)網(wǎng)友甚至親友評(píng)價(jià)決定是否購(gòu)買(mǎi)特定產(chǎn)品枚碗。詳細(xì)見(jiàn)論文：Alec Go, Richa Bhayani, Lei Huang. 2009. Twitter Sentiment Classification using Distant Supervision.

情感分析的意義何在？下面以實(shí)際應(yīng)用為例進(jìn)行直觀的闡述：

? Movie: is this review positive or negative?

? Products: what do people think about the new iPhone?

? Public sentiment: how is consumer confidence? Is despair increasing?

? Politics: what do people think about this candidate or issue?

? Prediction: predict election outcomes or market trends from sentiment

情感分析主要目的就是識(shí)別用戶對(duì)事物或人的看法铸本、態(tài)度（attitudes：enduring, affectively colored beliefs, dispositions towards objects or persons）肮雨，參與主體主要包括：

Holder (source) of attitude：觀點(diǎn)持有者

Target (aspect) of attitude：評(píng)價(jià)對(duì)象

Type of attitude：評(píng)價(jià)觀點(diǎn)

From a set of types：Like, love, hate, value, desire, etc.

Or (more commonly) simple weighted polarity: positive, negative, neutral,together with strength

Text containing the attitude：評(píng)價(jià)文本，一般是句子或整篇文檔

更細(xì)更深入的還包括評(píng)價(jià)屬性箱玷，情感詞/極性詞怨规，評(píng)價(jià)搭配等、

通常锡足，我們面臨的情感分析任務(wù)包括如下幾類(lèi)：

Simplest task: Is the attitude of this text positive or negative?

More complex: Rank the attitude of this text from 1 to 5

Advanced: Detect the target, source, or complex attitude types

后續(xù)章節(jié)將以Simplest task為例進(jìn)行介紹椅亚。

2）A Baseline Algorithm

本小節(jié)對(duì)影評(píng)進(jìn)行情感分析為例，向大家展示一個(gè)簡(jiǎn)單舱污、實(shí)用的情感分析系統(tǒng)呀舔。我們面臨的任務(wù)是“Polarity detection: Is

an IMDB movie review positive or negative?”，數(shù)據(jù)集為“Polrity Data 2.0:

http://www.cs.cornell.edu/people/pabo/movie-review-data”.作者將情感分析當(dāng)作分類(lèi)任務(wù)扩灯，拆

分成如下子任務(wù)：

Tokenization：正文提取媚赖，過(guò)濾時(shí)間、電話號(hào)碼等珠插，保留大寫(xiě)字母開(kāi)頭的字符串惧磺，保留表情符號(hào)，切詞捻撑；

Feature Extraction：直觀上磨隘，我們會(huì)認(rèn)為形容詞直接決定文本的情感，而Pang和Lee的實(shí)驗(yàn)表明顾患，采用所有詞（unigram）作為特征番捂，可以達(dá)到更好的情感分類(lèi)效果。

其中江解，需要對(duì)否定句進(jìn)行特別的處理设预，如句子”I didn’t like this movie”vs “I really like this movie”，unigram只差一個(gè)詞犁河，但是有著截然不同的含義鳖枕。為了有效處理這種情況，Das and Chen (2001)提出了“Add NOT_ to every word between negation and following punctuation”桨螺，根據(jù)此規(guī)則可以將句子“didn’t like this movie , but I”轉(zhuǎn)換為“didn’t NOT_like NOT_this NOT_movie, but I”宾符。

另外，在抽取特征時(shí)灭翔，直觀的感覺(jué)“Word occurrence may matter more than word frequency”魏烫，這是因?yàn)樽钕嚓P(guān)的情感詞在一些文本片段中僅僅出現(xiàn)一次，詞頻模型起得作用有限，甚至是負(fù)作用则奥，則使用多重伯努利模型事件空間代替多項(xiàng)式事件空間，實(shí)驗(yàn)也的確證明了這一點(diǎn)狭园。所以读处，論文最終選擇二值特征，即詞的出現(xiàn)與否唱矛，代替?zhèn)鹘y(tǒng)的頻率特征罚舱。log(freq(w))也是一種值得嘗試的降低頻率干擾的方法。

Classification using different classifiers:如Na?ve Bayes绎谦、MaxEnt管闷、SVM，以樸素貝葉斯分類(lèi)器為例窃肠，訓(xùn)練過(guò)程如下：

預(yù)測(cè)過(guò)程如下：

實(shí)驗(yàn)表明包个，MaxEnt和SVM相比Na?ve Bayes可以得到更好的效果。

最后冤留，通過(guò)case review可以總結(jié)下碧囊，影評(píng)情感分類(lèi)的難點(diǎn)是什么？

語(yǔ)言表達(dá)的含蓄微妙：“If you are reading this because it is your darling fragrance, please wear it at home exclusively, and tape the windows shut.”纤怒，“ She runs the gamut of emotions from A to B”糯而。

挫敗感表達(dá)方式：先描述開(kāi)始的期待（不吝贊美之詞），后表達(dá)最后失望感受泊窘，如“This film should be brilliant. It sounds like a great plot, the actors are first grade, and the supporting cast is good as well, and Stallone is attempting to deliver a good performance. However, it can’t hold up.”熄驼，“Well as usual Keanu Reeves is nothing special, but surprisingly, the very talented Laurence Fishbourne is not so good either, I was surprised.”。

3）Sentiment Lexicons

情感分析模型非常依賴于情感詞典抽取特征或規(guī)則烘豹，以下羅列了較為流行且成熟的開(kāi)放情感詞典資源：

GI（The General Inquirer）：該詞典給出了每個(gè)詞條非常全面的信息瓜贾，如詞性，反義詞携悯，褒貶阐虚，等，組織結(jié)構(gòu)如下：

詳細(xì)見(jiàn)論文：Philip J. Stone, Dexter C Dunphy, Marshall S. Smith, Daniel M. Ogilvie. 1966.The General Inquirer: A Computer Approach to Content Analysis. MIT Press

LIWC (Linguistic Inquiry and Word Count)：該詞典通過(guò)大量正則表達(dá)式描述不同類(lèi)別的情感詞規(guī)律蚌卤，其類(lèi)別體系與GI（The General Inquirer）基本一致实束，組織結(jié)構(gòu)如下：

詳細(xì)見(jiàn)論文：Pennebaker, J.W., Booth, R.J., & Francis, M.E. (2007). Linguistic Inquiry and Word Count: LIWC 2007. Austin, TX

MPQA Subjectivity Cues Lexicon：其中包含Positive words: 2718，Negative words: 4912逊彭，組織結(jié)構(gòu)如下圖所示：

詳細(xì)見(jiàn)論文：Stefano Baccianella, Andrea Esuli, and Fabrizio Sebastiani. 2010SENTIWORDNET 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining. LREC-2010

以上給出了一系列可用的情感詞典資源咸灿，但是，如何選擇一個(gè)合適的為我所用呢侮叮？這里避矢，通過(guò)對(duì)比同一詞條在不同詞典之間的分類(lèi)，衡量詞典資源的不一致程度，如下：

對(duì)于在不同詞典中表現(xiàn)不一致的詞條审胸，我們至少可以做兩件事情亥宿。第一，review這些詞條砂沛，通過(guò)少量人工加以糾正烫扼；第二，可以得到一些存在褒貶歧義的詞條碍庵。

給定一個(gè)詞映企，如何確定其以多大概率出現(xiàn)在某種情感類(lèi)別文本中呢？以IMDB下不同打分下影評(píng)為例静浴，最簡(jiǎn)單的方法就是計(jì)算每個(gè)分?jǐn)?shù)（星的個(gè)數(shù)）對(duì)應(yīng)的文本中詞條出現(xiàn)的頻率堰氓，如下圖所示為Count(“bad”)分布情況：

如下圖所示，列出了部分詞條在不同類(lèi)別下的Scaled likelihood苹享，據(jù)此可以判斷每個(gè)詞條的傾向性双絮。

另外，我們通常會(huì)有這么一個(gè)疑問(wèn)：否定詞（如not, n’t, no, never）是否更容易出現(xiàn)在negative情感文本中得问？Potts, Christopher（2011）等通過(guò)實(shí)驗(yàn)給出了答案：More negation in negative sentiment掷邦，如下圖所示：

4）Learning Sentiment Lexicons

我們?cè)趹c幸和贊揚(yáng)眾多公開(kāi)情感詞典為我所用的同時(shí)，我們不免還想了解構(gòu)建情感詞典的方法椭赋，正所謂知其然知其所以然抚岗。一方面在面臨新的情感分析問(wèn)題，解決新的情感分析任務(wù)時(shí)哪怔，難免會(huì)需要結(jié)合實(shí)際需求構(gòu)建或完善情感詞典宣蔚，另一方面，可以將成熟的詞典構(gòu)建方法應(yīng)用于其他領(lǐng)域认境，知識(shí)無(wú)邊界胚委，許多方法都是相通的。

常見(jiàn)的情感詞典構(gòu)建方法是基于半指導(dǎo)的bootstrapping學(xué)習(xí)方法叉信，主要包括兩步：

Use a small amount of information（Seed）

A few labeled examples

A few hand-built patterns

To bootstrap a lexicon

接下來(lái)亩冬，通過(guò)相關(guān)的幾篇論文，詳細(xì)闡述下構(gòu)建情感詞典的方法硼身。具體如下：

1. Hatzivassiloglou & McKeown：論文見(jiàn)Vasileios Hatzivassiloglou and

Kathleen R. McKeown. 1997. Predicting the Semantic Orientation of

Adjectives. ACL, 174–181硅急，基于這樣的一種語(yǔ)言現(xiàn)象：“Adjectives conjoined by ‘a(chǎn)nd’’

have same polarity；Adjectives conjoined by ‘but ‘ do not”佳遂，如下示例：

Fair and legitimate, corrupt and brutal

*fair and brutal, *corrupt and legitimate fair but brutal

Hatzivassiloglou & McKeown（1997）提出了基于bootstrapping的學(xué)習(xí)方法营袜，主要包括四步：

Step 1：Label seed set of 1336 adjectives (all >20 in 21 million word WSJ corpus)

初始種子集包括657個(gè) positive words（如adequate central clever famous

intelligent remarkable reputed sensitive slender thriving…）和679個(gè)

negative words（如contagious drunken ignorant lanky listless primitive

strident troublesome unresolved unsuspecting…）

Step 2：Expand seed set to conjoined adjectives，如下圖所示：

Step 3：Supervised classifier assigns “polarity similarity” to each word pair, resulting in graph丑罪，如下圖所示：

Step 4：Clustering for partitioning the graph into two

最終荚板，輸出新的情感詞典凤壁，如下（加粗詞條為自動(dòng)挖掘出的詞條）：

Positive: bold decisive disturbing generous good honest important large mature patient peaceful positive proud sound stimulating straightforwardstrange talented vigorous witty…

Negative: ambiguous cautious cynical evasive harmful hypocritical inefficient insecure irrational irresponsible minor outspoken pleasant reckless risky selfish tedious unsupported vulnerable wasteful…

2. Turney Algorithm：論文見(jiàn)Turney (2002): Thumbs Up or Thumbs Down?Semantic Orientation Applied to Unsupervised Classification of Reviews，具體步驟如下：

Step 1：Extract a phrasal lexicon from reviews跪另，通過(guò)規(guī)則抽取的phrasal如下圖所示：

Step 2：Learn polarity of each phrase拧抖，那么，如何評(píng)價(jià)phrase的polarity呢免绿？直觀上唧席，有這樣的結(jié)論：“Positive phrases co-occur more with ‘excellent’，Negative phrases co-occur more with ’poor’”针姿，這時(shí)袱吆，將問(wèn)題轉(zhuǎn)換成如何衡量詞條之間的共現(xiàn)關(guān)系厌衙？于是距淫，學(xué)者們引入了點(diǎn)互信息（Pointwise mutual information，PMI）婶希，它經(jīng)常被用于度量?jī)蓚€(gè)具體事件的相關(guān)程度榕暇，公式為：

Turney Algorithm在410 reviews（from Epinions）的數(shù)據(jù)集上，其中170 (41%) negative喻杈，240 (59%) positive彤枢，取得了74%的準(zhǔn)確率（baseline為59%，均標(biāo)注為positive）筒饰。

Step 3：Rate a review by the average polarity of its phrases

3. Using WordNet to learn polarity：論文見(jiàn)S.M. Kim and E. Hovy.2004.Determining the sentiment of opinions. COLING 2004缴啡，M. Hu and B.Liu. Mining and summarizing customer reviews. In Proceedings of KDD,2004.

該方法步驟如下：

Create positive (“good”) and negative seed-words (“terrible”)

Find Synonyms and Antonyms

Positive Set: Add synonyms of positive words (“well”) and antonyms of negative words

Negative Set: Add synonyms of negative words (“awful”) and antonyms of positive words (”evil”)

Repeat, following chains of synonyms

Filter

以上幾個(gè)方法都有較好的領(lǐng)域適應(yīng)性和魯棒性，基本思想可以概括為“Use seeds and semi-supervised learning to induce lexicons”瓷们，即：

Start with a seed set of words (‘good’, ‘poor’)

Find other words that have similar polarity:

Using “and” and “but”

Using words that occur nearby in the same document

Using WordNet synonyms and antonyms

Use seeds and semi-supervised learning to induce lexicons

5）Other Sentiment Tasks

上面介紹了文檔級(jí)或句子級(jí)情感分析业栅，但是，實(shí)際中谬晕，一篇文檔（評(píng)論）中往往會(huì)提及不同的方面/屬性/對(duì)象（以下統(tǒng)稱屬性）碘裕，且可能對(duì)不同的屬性持有不同的傾向性，如“The food wasgreat but the service was awful”攒钳。一般通過(guò)Frequent phrases + rules的方法抽取評(píng)價(jià)屬性帮孔，如下：

Find all highly frequent phrases across reviews (“fish tacos”)

Filter by rules like “occurs right after sentiment word”：“…great fish tacos” means fish tacos a likely aspect

通常，我們還會(huì)面臨一種問(wèn)題：評(píng)價(jià)屬性缺失不撑，準(zhǔn)確的講文兢，評(píng)價(jià)屬性不在句子中。這是很常見(jiàn)的現(xiàn)象焕檬，此時(shí)就需要結(jié)合上下文環(huán)境禽作，如來(lái)自某電影的評(píng)論缺失的評(píng)價(jià)屬性基本上就是電影名或演員，可以基于已知評(píng)價(jià)屬性的句子訓(xùn)練分類(lèi)器揩页，然后對(duì)評(píng)價(jià)屬性缺失的句子進(jìn)行屬性預(yù)測(cè)旷偿。

Blair-Goldensohn et al.提出了一套通用的aspect-based summarization models烹俗，如下圖所示：

詳細(xì)見(jiàn)論文：S. Blair-Goldensohn, K. Hannan, R. McDonald, T. Neylon,G. Reis, and J. Reynar. 2008. Building a Sentiment Summarizer for Local Service Reviews. WWW Workshop

另外，其他的一些情感分析的相關(guān)任務(wù)有：

Emotion: 個(gè)人情緒

Detecting annoyed callers to dialogue system

Detecting confused/frustrated versus confident students

Mood: 個(gè)人情緒

Finding traumatized or depressed writers

Interpersonal stances: 人際關(guān)系中的談話方式

Detection of flirtation or friendliness in conversations

Personality traits: 性格

Detection of extroverts

文章出處：大數(shù)據(jù)文摘

引自：深度開(kāi)源open經(jīng)驗(yàn)? （http://www.open-open.com/lib/view/open1421114964515.html）