情感分析是自然语言处理（NLP）领域的一个重要分支，它的目标是自动检测和提取出非结构化文本数据中的主观信息（比如：情绪、意见、评价等）
一、情感分析任务案例
分析电商产品评论的情感倾向（三分类），自动分析顾客提交的产品评论，以了解他们对某个商品的整体满意度（积极、消极、中性）。
举例：“我刚收到这款智能手表，外观设计真的很时尚，电池续航能力也超出我的预期，非常满意！但是，说明书有点难懂，花了我不少时间设置”。
情感分析目标：系统需要判断这条评论整体上是积极的、消极的还是中性的。根据内容，尽管有小部分消极反馈（关于说明书），但大部分评价是正面的，因此系统可能会将其分类为“积极”。
二、 简单情感分类模型
（1）简单情感分类模型
简单情感分类模型（simple sentiment classification model）通常选择经典的机器学习算法，如逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）或支持向量机（SVM）等。这些模型相对容易理解和实现，对于小型或中等规模数据集表现良好。
（2）模型结构
以s=“dessert is excellent”为例，得到一个范围是1到5分的打分结果。词嵌入矩阵中有10000个词，300个特征。
模型使用词嵌入和softmax分类器将评论映射到星级评分。通过对单词特征向量求平均或求和，可以得到评论的表示形式，并输入到分类器中进行预测。然而，该算法忽略了词序，可能导致对含有多个相同词的句子进行不准确的评分。
（3）简单情感分类模型存在的不足
比如，一个句子是："Completely lacking in good taste, good service, and good ambiance." 即使这个句子表达了负面情绪，其中包含了多个正面词 "good"，但实际上是一个负面评价。如果模型忽略词序，可能会错误地将其分类为正面评价。
三、 使用RNN进行情感分析
正因为才情感分析中词序很重要，所以循环神经网络（RNN）因其能够处理序列数据的特性，在处理像这样的复杂情感分析任务时表现出色。
（1）模型结构
对于RNN，首先对文本s="Completely lacking in good taste, good service, and good ambiance."进行清洗、分词，并将文本表示为一系列词嵌入的序列。这意味着每个评论将转换为一系列向量，每个向量对应评论中的一个词。序列的顺序反映了原文中的词序。
在每个时间步，RNN单元接收当前词的嵌入向量和前一时间步的隐藏状态作为输入，然后更新其隐藏状态。这一过程重复进行，直到序列的末尾。隐藏状态在时间轴上的传播能够捕获文本的上下文依赖和词序信息。
（2）提高模型性能的关键
① 使用BRNN
标准RNN只考虑了从前到后的信息流，而双向RNN同时考虑了从前往后和从后往前的信息，这有助于模型更好地理解整个句子的语境，特别适用于情感分析中，因为情感往往依赖于句子的整体上下文。
② 引入注意力机制
在RNN或其变种（如LSTM、GRU）的基础上添加注意力机制，可以让模型动态地聚焦于输入序列中对情感判断最为关键的部分，而非均匀对待每一个时间步的输出。这对于长文本或者重点信息分布不均的句子尤为重要。
