本书详细介绍了文本细粒度情感分析的相关研究。本书首先从评价对象和情感类别两个维度对情感分析进行细粒度划分，对相关的研究现状和研究方法进行探讨，然后分章节介绍了细粒度情感分析的主要研究内容，包括方面术语提取、方面情感分类、关联目标的情感分类、情绪识别等。针对每个任务，本书利用具体的模型示例对现有研究的主流方法进行概括、比较和分析。最后，本书对本领域相关的公开资源进行了整理与归纳。

黄贤英，教授，硕士生导师，重庆市名师，现工作于重庆理工大学，从事计算机科学与技术专业，主要研究方向为自然语言处理、信息检索，在ACM MM、 Knowledge-Based Systems等CCF推荐顶会和期刊上发表论文50多篇，获得专利10余项。重庆市高校计算机类教学指导委员会委员、CCF高级会员，担任《International Journal of Systems Science》《计算机系统应用》《重庆理工大学学报》(自然科学版)等国内外期刊审稿专家。已出版相关著作有《编译原理及实践教程》《C++面向对象与Visual C++程序设计案例教程》《计算机导论》。

目 录
第1章 引言 1
1.1 研究背景与意义 1
1.1.1 情感分析概述 1
1.1.2 细粒度情感分析的必要性 3
1.1.3 细粒度情感分析的应用 4
1.2 细粒度情感分析的研究内容 6
1.2.1 细粒度情感分析的核心要素 6
1.2.2 评价对象细粒度化 8
1.2.3 情感类别细粒度化 11
1.2.4 细粒度情感分析的主要任务 14
1.3 细粒度情感分析方法 17
1.3.1 基于情感词典的方法 18
1.3.2 基于机器学习的方法 19
1.3.3 基于深度学习的方法 20
1.3.4 基于预训练和微调的方法 21
1.3.5 多任务联合情感分析方法 24
1.4 细粒度情感分析的研究现状 26
1.4.1 方面术语提取 26
1.4.2 方面情感分类 28
1.4.3 观点术语抽取 30
1.4.4 关联目标的方面级情感分析 30
1.4.5 对话情绪识别 33
1.5 细粒度情感分析面临的挑战 34
1.6 本章小结 37
第2章 情感分析技术 38
2.1 文本分类方法 38
2.1.1 有监督学习 38
2.1.2 无监督学习 39
2.1.3 半监督学习 40
2.1.4 自监督学习 41
2.1.5 对比学习 41
2.2 文本表示方法 43
2.2.1 离散表示方法 43
2.2.2 分布式表示方法 46
2.3 深度学习神经网络 54
2.3.1 循环神经网络 55
2.3.2 长短时记忆网络 59
2.3.3 门控循环单元 61
2.3.4 卷积神经网络 62
2.3.5 图卷积神经网络 66
2.3.6 注意力机制 69
2.3.7 Transformer 71
2.4 预训练语言模型 74
2.4.1 CoVe 75
2.4.2 ELMo 76
2.4.3 GPT 78
2.4.4 BERT 80
2.4.5 RoBERTa 82
2.4.6 BART 82
2.5 特征增强方法 83
2.5.1 词性标注 84
2.5.2 句法依存树 85
2.5.3 知识图谱 86
2.5.4 常识知识库 89
2.6 主要评估指标 91
2.6.1 混淆矩阵 91
2.6.2 准确率 93
2.6.3 精确率 93
2.6.4 召回率 94
2.6.5 F1分数 94
2.7 模型优化 97
2.7.1 损失函数 97
2.7.2 正则化 99
2.7.3 模型优化过程 100
2.7.4 模型优化策略 100
2.8 本章小结 101
第3章 方面术语提取 103
3.1 引言 103
3.2 SoftProto框架 104
3.3 SSDR模型 105
3.3.1 数据预处理 105
3.3.2 双通道特征提取 108
3.3.3 特征融合 109
3.3.4 标签预测 110
3.3.5 模型优化 111
3.4 模型验证与分析 111
3.4.1 数据集 111
3.4.2 实施细节 111
3.4.3 对比方法 112
3.4.4 模型性能分析 113
3.4.5 模型有效性分析 114
3.4.6 超参数分析 116
3.4.7 误差分析 117
3.5 本章小结 118
第4章 方面情感分类 119
4.1 多粒度语义增强的方面情感分类 119
4.1.1 引言 119
4.1.2 RCNN-HLSTM模型 120
4.1.3 GRCNN-HBLSTM模型 121
4.1.4 模型验证与分析 127
4.1.5 小结 130
4.2 依存关系权重增强的方面情感分类 131
4.2.1 引言 131
4.2.2 ASGCN模型 132
4.2.3 AW-IGCN模型 133
4.2.4 模型验证与分析 137
4.2.5 小结 141
4.3 增强句法图卷积的方面情感分类 141
4.3.1 引言 141
4.3.2 CDT模型 142
4.3.3 PCB-GCN模型 143
4.3.4 模型验证与分析 147
4.3.5 小结 151
4.4 多级特征融合的方面情感分类 151
4.4.1 引言 151
4.4.2 RepWalk模型 152
4.4.3 SFEM模型 153
4.4.4 模型验证与分析 159
4.4.5 小结 165
4.5 基于提示微调的方面级情感分类 165
4.5.1 引言 165
4.5.2 C3DA模型 166
4.5.3 PSAN模型 167
4.5.4 模型验证与分析 174
4.5.5 小结 180
4.6 本章小结 181
第5章 关联目标的方面级情感分析 182
5.1 引言 182
5.2 基于上下文的关联目标情感分类 183
5.2.1 引言 183
5.2.2 MATT-CNN模型 184
5.2.3 GC-HLSTM模型 185
5.2.4 模型验证与分析 190
5.2.5 小结 195
5.3 基于预训练的关联目标的方面级情感分析 195
5.3.1 引言 195
5.3.2 BERT-Transfer模型 196
5.3.3 SRC-TBERT模型 197
5.3.4 模型验证与分析 201
5.3.5 小结 206
5.4 本章小结 206
第6章 多元协作的方面术语提取 207
6.1 引言 207
6.2 多关系感知模型 209
6.2.1 RACL模型 209
6.2.2 MRCL模型 210
6.2.3 模型验证与分析 217
6.2.4 小结 224
6.3 基于特征增强的多任务联合模型 224
6.3.1 LCF-ATEPC模型 224
6.3.2 SPEAL模型 226
6.3.3 模型验证与分析 233
6.3.4 小结 238
6.4 本章小结 239
第7章 对话情绪识别 240
7.1 引言 240
7.2 基于文本的对话情绪识别 241
7.2.1 DialogueCRN模型 242
7.2.2 S/C-RGCN模型 243
7.2.3 模型验证与分析 247
7.2.4 小结 253
7.3 基于多模态的对话情绪识别 253
7.3.1 引言 253
7.3.2 多模态ERC任务定义 254
7.3.3 MMGCN模型 255
7.3.4 MMTr模型 256
7.3.5 模型验证与分析 260
7.3.6 小结 268
7.4 外部知识增强的多模态对话情绪识别 268
7.4.1 引言 268
7.4.2 COSMIC模型 270
7.4.3 MKIN-MCL模型 271
7.4.4 模型验证与分析 279
7.4.5 小结 287
7.5 本章小结 288
第8章 情感资源归纳 290
8.1 文本分类数据集 290
8.2 实体识别数据集 291
8.3 细粒度情感分析数据集 292
8.3.1 方面级情感分析数据集 292
8.3.2 对话情绪识别数据集 295
8.4 NLP工具 297
参考文献 299