昨天我們有說到，情緒分析的方法從最開始到現在是經過了不斷變化的，隨然有大略談到了一些相關的內容，但沒有談得太深，今天就來看看他們之間的細節吧！

階段一、利用情感「辭典」

最一開始在情緒分析上，我們使用的方法就是建立一個辭典，去標示每一個「詞」所代表的意涵，再去計算他們的比重。

這樣講好像有一點抽象吼。我們來看一下下面的比喻：

在我們從Twitter留言版中抓下來的資料裡，我們可以用簡單的文字去進行計算，最常用的就是正/負極，也就是積極/消極，依照每個研究的不同，可以將不同的關鍵字定義上一個情緒的態度，比如出現「高興」、「好」等字詞時，就代表了正向態度；出現「爛透了」、「廢」等等就是負面態度。

但前面也有說過，單從詞面去看會有許多問題，像「嘲諷」、「說反話」的句子，模型就會無法理解，畢竟不理解上下文。所以即使原留言者想表達的意思是負面的，但對應了詞典之後，還是會歸類在正面。

Python中的TextBlob就是處理這類的資源之一，可以算出極性（正、負的平均指數）以及主觀性。

階段二、利用機器學習

因為單純使用詞典的方法，依舊很難解決上下文以及人類語氣造成文字上判別的影響，所以後來便發展出了使用機器學習的情感分析。

Python中的Scikit-learn就可以負責這部分的問題，在其中，每個文本都被轉換成一個「向量」，去代表文本的特徵。

其中的方法分成了兩種，監督＆無監督式的機器學習：

監督式的機器學習

所謂的「監督」，就是有人去告訴他怎麼做，所以需要利用人工去對模型中的資料進行「貼標籤」的動作，告訴他怎麼樣是對的、怎麼樣是錯的。

在經過不斷的訓練後，模型就會有基本的判斷邏輯，不再只是知道對著詞打分數，而是有了解上下文造成的影響。

常見的有SVM、決策樹、隨機森林等等。

非監督式的機器學習

非監督式機器學習在字面上跟監督式的差別就在於它沒有貼「標籤」，而是利用他們的相似性，去將他們「聚」在一起，也就是所謂的聚類。

階段三、深度學習

深度學習比起機器學習，可以更加有效的去獲得文本中的上下文，以及文本中所代表的意義。

主要的差別在於，機器學習使用的方法類似將詞典方法做一個提昇，從原本的對自詞作定義，轉換成對句子作定義，所以模型還是不太懂上下文對字詞代表的意思，單純是對標籤做出反應。

而深度學習因為模型特性，是會將上下文、當前字詞做一個對照和比對的，所以結果也會比較美麗。

比較常見的模型包括昨天講到的RNN、LSTM、CNN三種，前兩可以處理序列型的長文本數據，CNN則可以對文本中的局部特徵進行提取。