20世纪90年代末,国外的文本情感分析已经开始。早期，Riloff和Shepherd[2]在文本数据的基础上进行了构建语义词典的相关研究。McKeown[3]发现连词对大规模的文本数据集中形容词的语义表达的制约作用，进而对英文的形容词与连词做情感倾向研究。自此之后，越来越多的研究开始考虑到特征词与情感词的关联关系。Turney[4]等使用点互信息的方法扩展了正负面情感词典，在分析文本情感时使用了极性语义算法，处理通用的语料数据时达到了74%。在近些年的研究中，Miao[5]等以之前的研究为基础，实现了一个基于特征级别的分析，阐述了一个对产品评论的四元组抽取概念。25177Narayanan[6]等结合各种特征及其相关联信息，提出了一个基于分句、结果句和整句的分类方案，获得了很好的效果。Pang等[7,8]用机器学习的方法以积极情感和消极情感为文度，对电影评论进行了情感分类。他分别采用了支持向量机、最大熵、朴素贝叶斯算法进行分类实验，通过对分类结果进行的分析，发现支持向量机的分类精确度达到了80%，在这三种分类算法中展现出了最优性能。由此可见，机器学习在外文的情感分析方面有着较为理想的应用前景。论文网
国内的徐琳宏、林鸿飞[9]通过手工和自动生成的方式构建出情感词典本体库，提取了影响句子情感的9个语义特征，对情感分析研究做了初步的探测。李钝、曹付元[10]等基于语言学的角度，根据中心词对短语的情感倾向的影响效果，提出了以中心词为基础的情感倾向计算方法。近年来，闻彬[11]等提出基于文本语义的文本情感分类，分析了文本情感倾向是否受到程度副词等出现规律的影响，进而提高了有效判定情感倾向算法的性能。随着研究的深入，学者在对情感分析算法进行改进的同时，也将其应用到不同的行业中进行了实践，如赵妍妍等[12]、王素格等[13]，都取得了不错的成果。他们分别通过自动获取句法路径来描述评价对象和评价词语之间的关系的方法和基于情感词粗糙隶属度的文本分类方法将情感倾向分析应用到了电商评价和汽车评价预测上 文本情感分析国内外研究现状:http://www.youerw.com/yanjiu/lunwen_18830.html