感情分析（オピニオンマイニングとも呼ばれる）は、自然言語処理、テキスト分析、計算言語学、および生体認証を用いて、感情状態と主観的情報を体系的に識別、抽出、定量化、研究する手法である。これは、レビューや調査回答などの顧客の声に関する資料、オンラインおよびソーシャルメディア、医療資料に広く適用されており、マーケティングからカスタマーサービス、臨床医学に至るまでの用途がある。RoBERTaなどの深層言語モデルの台頭により、著者が意見や感情を明示的に表現しないことが多いニューステキストなど、より困難なデータ領域も分析できるようになった。
感情分析の種類
感情分析における基本的なタスクは、文書、文、または特徴・側面レベルで所与のテキストの極性を分類することであり、表現された意見が肯定的、否定的、または中立的であるかを判定する。極性を超えた高度な感情分類では、喜び、怒り、嫌悪、悲しみ、恐怖、驚きなどの感情状態を調べる。
感情分析の先駆けには、テキスト内のパターンを定量化する手がかりを提供したGeneral Inquirerや、言語行動の分析に基づいて個人の心理状態を調べた心理学研究がある。その後、VolcaniとFogelによる特許に記載された方法は、感情に特化し、さまざまな感情尺度に関連して個々の単語やフレーズを識別した。彼らの研究に基づく現在のシステムであるEffectCheckは、各尺度で喚起される感情のレベルを増減させるために使用できる類義語を提示する。
その後の多くの取り組みは、肯定的から否定的までの単純な極性の見方を用いた、より洗練されていないものであり、TurneyとPangの研究がその例である。彼らは、製品レビューと映画レビューの極性をそれぞれ検出するために異なる方法を適用した。この研究は文書レベルである。また、PangやSnyderらによって、文書の極性を多段階の尺度で分類することも試みられている。PangとLeeは、映画レビューを肯定的または否定的に分類する基本タスクを、3つ星または4つ星の尺度での星評価の予測に拡張し、Snyderはレストランレビューの詳細な分析を行い、料理や雰囲気などのさまざまな側面について（5つ星尺度で）評価を予測した。
学習ベース、語彙ベース、知識ベースといったさまざまなアプローチを統合する最初の一歩は、2004年のAAAI春季シンポジウムで踏み出された。そこでは、言語学者、コンピュータ科学者、および他の研究者が初めて利害を一致させ、テキスト内の感情、魅力、主観性、および感情に関する体系的な計算研究のための共有タスクとベンチマークデータセットを提案した。
中立クラスとスケーリングシステム
ほとんどの統計的分類方法では、中立テキストが二値分類器の境界付近にあるという仮定の下で中立クラスが無視されるが、いくつかの研究者は3つのカテゴリを識別する必要があると示唆している。Max EntropyやSVMなどの特定の分類器は、中立クラスの導入によって恩恵を受け、全体的な精度を向上できることが証明されている。中立クラスを操作する方法は2つある。アルゴリズムが最初に中立言語を識別して除外し、その後、残りを肯定的および否定的感情の観点から評価する方法か、または3方向分類を1つのステップで構築する方法である。2番目のアプローチは、多くの場合、すべてのカテゴリにわたる確率分布の推定を含む（例：NLTKによって実装されたナイーブベイズ分類器）。中立クラスを使用するかどうか、およびその方法はデータに依存する。データが中立、否定的、肯定的な言語に明確にクラスタリングされている場合、中立言語を除外することは賢明である。データがほとんど中立で小さな偏差しかない場合、この戦略は2つの極を区別することをより困難にするだろう。
感情を決定する別の方法は、スケーリングシステムの使用であり、否定的、中立的、または肯定的な感情に一般的に関連付けられる単語に、-10から+10の範囲（最も否定的から最も肯定的）または0から+4などの正の上限までの数値を割り当てる。これにより、感情をその環境（通常は文レベル）に相対的に調整できる。非構造化テキストが自然言語処理を使用して分析される場合、各概念には、感情語がそれにどのように関連するかに基づいてスコアが与えられる。感情を強めたり、緩めたり、否定したりする単語は、スコアに影響を与える可能性がある。あるいは、全体的な極性ではなくテキスト内の感情を決定することが目的である場合、テキストに肯定的および否定的な感情強度スコアを与えることができる。
他の種類には、側面ベースの感情分析、段階的感情分析（肯定的、否定的、中立的）、多言語感情分析、および感情の検出が含まれる。
主観性と客観性の識別
このタスクは、所与のテキスト（通常は文）を客観的または主観的の2つのクラスのいずれかに分類することとして一般的に定義される。この問題は、極性分類よりも難しい場合がある。単語やフレーズの主観性は文脈に依存する可能性があり、客観的な文書には主観的な文が含まれる場合がある（例：人々の意見を引用するニュース記事）。Suによって述べられているように、結果はテキストに注釈を付ける際に使用される主観性の定義に大きく依存する。しかし、Pangは、極性を分類する前に文書から客観的な文を削除することがパフォーマンスの向上に役立つことを示した。
主観性と客観性の識別は、構文、意味的特徴、および機械学習の知識を使用して、文または文書に事実または意見が含まれているかどうかを識別する新興のサブタスクである。事実と意見を認識することの認識は最近のことではなく、おそらく1979年にイェール大学でCarbonellによって最初に提示された。
客観的という用語は、事実情報を伝える出来事を指す。例：「アメリカ合衆国大統領に選出されるには、候補者は少なくとも35歳でなければならない。」主観的という用語は、個人的な意見、判断、予測など、さまざまな形で非事実情報を含む出来事を説明する。
アプリケーションと課題
感情分析は、ブランドの評判を監視し、顧客フィードバックを分析し、製品開発に情報を提供するためにビジネスで広く使用されている。医療では、患者報告アウトカムやソーシャルメディアを分析して公衆衛生を監視できる。政治では、候補者や政策に対する世論を測定できる。
課題には、皮肉、反語、および文脈依存の感情の処理が含まれる。深層学習モデル、特にトランスフォーマーや大規模言語モデルは、複雑な領域でのパフォーマンスを向上させた。しかし、高度なモデルでも微妙な表現には苦労する。研究者は、機械学習や深層学習技術を活用して、側面ベースの感情分析と感情検出の方法を開発し続けている。
今後の方向性
人工知能が進歩するにつれて、感情分析はより詳細でマルチモーダルな分析へと移行しており、音声、視覚、およびテキストの手がかりを組み込んでいる。ニューラルネットワークと生成AIモデルの統合は、人間の感情の理解を強化することを約束している。プライバシーやバイアスなどの倫理的考慮事項は、重要な焦点領域であり続けている。この分野は、MIT CSAILやスタンフォードAIラボなどの学術機関、およびGoogle DeepMindやOpenAIなどの産業研究所からの貢献により進化し続けている。