1、

对情感分析的研究到目前为止主要集中在以下哪些方面？

识别给定的文本实体是主观的还是客观的

识别主观的文本的极性

2、

在情感分析领域目前主要的分析方法有：

词法分析

机器学习分析

混合分析

from collections import defaultdict  

import jieba  

import codecs

def seg_word(sentence): # 使用jieba对文档分词  

    seg_list = jieba.cut(sentence)  

    seg_result = []  

    for w in seg_list:  

        seg_result.append(w)  

    # 读取停用词文件  

    stopwords = set()  

    fr = codecs.open('./stopword.txt', 'r', 'utf-8')  

    for word in fr:  

        stopwords.add(word.strip())  

    fr.close()  

    # 去除停用词  

    return list(filter(lambda x: x not in stopwords, seg_result))

def classify_words(word_dict): # 词语分类,找出情感词、否定词、程度副词  

    # 读取情感字典文件  

    sen_file = open('./sentiment_score.txt', 'r+', encoding='utf-8')  

    # 获取字典文件内容  

    sen_list = sen_file.readlines()  

    # 创建情感字典  

    sen_dict = defaultdict()  

    # 读取字典文件每一行内容，将其转换为字典对象，key为情感词，value为对应的分值  

    for s in sen_list:  

        # 每一行内容根据空格分割，索引0是情感词，索引1是情感分值  

        sen_dict[s.split(' ')[0]] = s.split(' ')[1]

    # 读取否定词文件  

    not_word_file = open('./notDic.txt', 'r+', encoding='utf-8')  

    # 由于否定词只有词，没有分值，使用list即可  

    not_word_list = not_word_file.readlines()

    # 读取程度副词文件  

    degree_file = open('./degree.txt', 'r+', encoding='utf-8')  

    degree_list = degree_file.readlines()  

    degree_dic = defaultdict()  

    # 程度副词与情感词处理方式一样，转为程度副词字典对象，key为程度副词，value为对应的程度值  

    for d in degree_list:  

        degree_dic[d.split(',')[0]] = d.split(',')[1]

    # 分类结果，词语的index作为key,词语的分值作为value，否定词分值设为-1  

    sen_word = dict()  

    not_word = dict()  

    degree_word = dict()

    # 分类  

    for word in word_dict.keys():  

        if word in sen_dict.keys() and word not in not_word_list and word not in degree_dic.keys():  

            # 找出分词结果中在情感字典中的词  

            sen_word[word_dict[word]] = sen_dict[word]  

        elif word in not_word_list and word not in degree_dic.keys():  

            # 分词结果中在否定词列表中的词  

            not_word[word_dict[word]] = -1  

        elif word in degree_dic.keys():  

            # 分词结果中在程度副词中的词  

            degree_word[word_dict[word]] = degree_dic[word]  

    sen_file.close()  

    degree_file.close()  

    not_word_file.close()  

    # 将分类结果返回  

    return sen_word, not_word, degree_word

def list_to_dict(word_list):  

    data = {}  

    for x in range(0, len(word_list)):  

        data[word_list[x]] = x  

    return data

def get_init_weight(sen_word, not_word, degree_word):  

    # 权重初始化为1  

    W = 1  

    # 将情感字典的key转为list  

    sen_word_index_list = list(sen_word.keys())  

    if len(sen_word_index_list) == 0:  

        return W  

    # 获取第一个情感词的下标，遍历从0到此位置之间的所有词，找出程度词和否定词  

    for i in range(0, sen_word_index_list[0]):  

        if i in not_word.keys():  

            W *= -1  

        elif i in degree_word.keys():  

            # 更新权重，如果有程度副词，分值乘以程度副词的程度分值  

            W *= float(degree_word[i])  

    return W

def socre_sentiment(sen_word, not_word, degree_word, seg_result): # 计算得分  

    # 权重初始化为1  

    W = 1  

    score = 0  

    # 情感词下标初始化  

    sentiment_index = -1  

    # 情感词的位置下标集合  

    sentiment_index_list = list(sen_word.keys())  

    # 任务：完成基于情感词典对情感得分的计算  

    # ********** Begin *********#  

    for i in range(0, len(seg_result)):  

        # 如果是情感词（根据下标是否在情感词分类结果中判断）  

        if i in sen_word.keys():  

            # 权重*情感词得分  

            score += W * float(sen_word[i])  

            # 情感词下标加1，获取下一个情感词的位置  

            sentiment_index += 1  

            if sentiment_index