1. RNN+CRF：
过去的方法主要分为两类：
第一种：从一个seed集合，使用句法规则和aspect及opinion之间的关联来积累aspect terms和opinion terms。但是这种方法很依赖与手动定义的规则，并且严格遵循特定的词性规则，例如opinion词是形容词。
第二种：sequence labeling classifier，例如CRFs和HMMs，使用feature engineering，词典和有标注的数据集。This approach requires extensive efforts for designinghand-crafted features, and only combines features linearly when a CRF/HMM isapplied
使用深度学习进行情感分析的方法分为两类：一类是句子级别的情感预测，一类是phrase/word-level情感预测。
2. Sentiment Analysis 分为以下三步
1）Tokenization符号化的特征 2）Feature Extraction词语或句子级别的特征 3）Classification using different classifiers，分类器例如：Naïve Bayes，MaxEnt，SVM
例文：Sentiment Classification using Machine Learning Techniqueshttp://www.ijsr.net/archive/v5i4/NOV162724.pdf
1）Tokenization符号化的信息包括如下类别，表情或者电话号码，日期等等
2）特征提取
问题1:只使用形容词还是所有词都使用？所有词更好
I didn’t like this movie---I really like this movie
问题2:否定词如何处理？
给否定词后和下一个标点符号之间的词前面加NOT_
didn’t like this movie, but I
---》 didn’t NOT_likeNOT_this NOT_movie, but I
3. Aspect sentiment classification
主要有两种方法：有监督学习和基于词典(lexicon-based)的方法
1）有监督学习：
已知aspect，关键问题就是如何确定每个sentiment的scope。主流方法是使用依存关系，根据依存关系给特征加权重。
2）基于词典的方法
sentiment shifters：有一些词会更改情感的极性，例如not, never, none, nobody, nowhere, neither。
but-clauses：“Car-x is great, but Car-y is better.”
除了以上方法，有很多情感是隐性表示的，难提取的，也可以使用Basic rules ofopinions
Liu Bing：BNF form
P和PO代表两种positive sentiment expressions。P代表atomic positive expression，一个词或一个短语。PO代表更复杂的表达。sentiment_shifter N和sentiment_shifter NE代表negation
4. Aspect Extraction 主要有四种方法：
1）频繁出现的名词和名词短语
改进：去除可能不是aspect的名词短语
对每个名词短语计算PMI(pointwise
mutual information) score，该短语与其相关的短语之间的，meronymy discriminators(关系鉴别器)
例如camera类中可能会包括”of camera”, “camera has”, “camera comes with”等，公式中a是candidate aspect，d是discriminator。如果candidate aspect a的PMI值很低，那么可能是因为a和d同时出现的频率很低。
2）通过分析opinion和target的关系，如果opinion已知，sentiment words往往比较容易知道。依存关系
3）有监督的学习方法
sequential learning（or sequential labeling），HMM或CRF
另一种：
首先使用依存树找到aspect和opinion word对，然后使用树结构的分类方法来学习，aspect从得分最高的pair得到。
4）主题模型
两种基本的方法：pLSA和LDA
Topic modeling is an unsupervised learning method thatassumes each document consists of a mixture of topics and each topic is aprobability distribution over words
Theoutput of topic modeling is a set of word clusters. Each cluster forms a topicand is a probability distribution over words in the document collection
Joint sentiment/topic model forsentiment analysis
http://pdfs.semanticscholar.org/9902/8b156a3a996914203bca7308ac339e708751.pdf
Sentiment analysis with global topicsand local dependency
http://www.cs.huji.ac.il/~jeff/aaai10/02/AAAI10-242.pdf
5. 深度学习的aspect level情感分析
1）分类问题：
Given a sentence and a target mention, the task calls forinferring the sentiment polarity (e.g. positive, negative, neutral) of thesentence towards the target.
Effective LSTMs for Target-dependentsentiment classification
链接：https://arxiv.org/pdf/1512.01100.pdf
Aspectlevel sentiment classification with deep memory network
论文链接：http://wing.comp.nus.edu.sg/~antho/D/D16/D16-1021.pdf
Given a sentence s = {w1, w2, ..., wi ,
...wn} consisting of n words and an aspect word wi occurring in sentence s文中只考虑了单个aspect的情况
2）序列标注问题：标注出sentiment和aspect
