本书包括五个部分：第yi部分介绍文本情感分析的研究背景、研究现状和基础技术；第二部分从内容语义理解的角度出发，介绍基于隐式表达的讽刺检测技术；第三部分从用户个性化建模的角度出发，介绍多轮对话中的情绪分析技术；第四部分介绍小样本场景下的立场检测解决方案；第五部分介绍对抗攻击场景下的情感分类防御技术。

无

人工智能\自然语言处理

情感分析是自然语言理解及其相关领域的重要研究课题。本书比较全面地介绍了情感分析研究的理论和技术，尤其是近年来社会进入网络文化时代以后出现的新课题、新成果。内容丰富，且多有实验支持。值得有关科研人员和高校师生研读。
　　　　　　　　　　　　　　　　　　　　陆汝钤　中国科学院院士

自然语言处理被誉为“人工智能皇冠上的明珠”。文本情感分析是指采用自然语言处理、计算机语言学等方法，对文本中的主观信息，如情绪、立场、态度等进行自动语义分析。本书作者在该领域从事一线研究近10年，对文本情感分析领域主要模型和算法实现非常了解。本书汇聚了该领域最新的研究成果，具有较强的实践指导性，适合该领域一线科研人员参考，也适合该领域初学者快速入门和应用。
施巍松　IEEE Fellow，美国韦恩州立大学工程学院副院长

情感是人类区别于机器最主要的特征之一。如何让机器分析情感、理解情感、生成情感甚至拥有情感是人工智能研究人员一直以来孜孜追求的目标。本书系统地介绍了近年来在情感分析方面的研究进展，逻辑清晰，内容全面，案例翔实，特别是针对情感分析的AI攻击防护，读下来有超预期的感受。
王斌　小米AI实验室主任、自然语言处理首席科学家

情感分析作为自然语言处理领域的重要研究任务，在当今时代具有广泛的应用场景，可为社会治理和行业发展提供支持。本书对情感分析的前沿技术和模型进行了详细介绍，可为从事人工智能、机器学习、自然语言处理等领域的科研人员提供指引，也可作为相关专业高年级本科生或研究生的参考教材。
　王伟平　中国科学院信息工程研究所副所长、研究员

情感分析研究如何让计算机分析和理解人类情感，是人工智能的前沿领域之一。本书系统深入地介绍了文本情感分析的基础知识、核心技术和典型应用，内容丰富，覆盖面广，时效性强，非常适合作为人工智能领域科研人员和从业者的技术参考书，也适合用作高校人工智能领域前沿研究的参考教材。强烈推荐对情感分析技术感兴趣的读者阅读此书。
刘洋　清华大学智能产业研究院副院长，清华大学长聘教授

人类的情感非常丰富和复杂，分析人类的情感与情绪一直都是充满挑战的研究课题。林政博士专注情感分析研究十余载，本书是其继《文本情感分析》一书之后的又一力作。全书以深入浅出的语言为读者分享了作者在讽刺检测、情绪分析、立场识别以及情感分类攻击与防御等方面的研究成果。本书理论、模型、算法与代码兼顾，内容丰富，实操性强，既可帮助科研人员系统掌握相应方向的最新研究进展，也可作为高校研究生了解前沿研究的参考教材。
靳小龙　中国科学院计算技术研究所研究员

情感分析可以为人工智能赋予情感与温度，是一个有趣且充满挑战的任务。这是一本有关情感分析的工具书，既能学到人工智能和深度学习相关技术，也能了解文本情感分析的最新进展。
　　　　　　　　　　　　　　秦兵　哈尔滨工业大学教授

第一部分 情感分析基础

第一章：概述

1.1 文本情感分析
1.1.1 文本情感分析的研究背景
1.1.2 文本情感分析的研究问题
1.1.3 文本情感分析的研究现状
1.2 文本情感分析方法
1.2.1 基于知识库的方法
1.2.2 基于机器学习的方法
1.2.3 基于深度学习的方法
1.2.4 基于迁移学习的方法
1.3 文本情感分析典型应用
1.3.1 电子商务
1.3.2 股票预测
1.3.3 影视推荐
1.3.4 社会舆情
1.3.5 情绪管理
1.3.6 智能客服
1.4 机遇与挑战
1.5 本章小结

第二章： 文本情感分析基础
2.1 有监督学习
2.2 无监督学习
2.3 半监督学习
2.4 词向量
2.5 卷积神经网络
2.6 循环神经网络
2.7 记忆网络
2.8 预训练语言模型
2.9 本章小结


第二部分 基于隐式表达的讽刺检测


第三章： 基于文本片段不一致性的讽刺检测
3.1 任务与术语
3.2 片段不一致性
3.3 自注意力机制
3.4 模型框架
3.5 应用实践
3.6 本章小结

第四章： 基于常识知识的讽刺检测
4.1 任务与术语
4.2 常识知识资源
4.3 知识表示方法
4.4 知识选择方法
4.5 知识融合方法
4.6 模型框架
4.7 应用实践
4.8 本章小结

第五章： 基于多模态数据的讽刺检测
5.1 任务与术语
5.2 模态内不一致性
5.3 模态间不一致性
5.4 模态内注意力
5.5 模态间注意力
5.6 模型框架
5.7 应用实践
5.8 本章小结


第三部分 面向个性化的对话情绪分析


第六章： 基于用户建模的对话情绪分析
6.1 任务与术语
6.2 层级Transformer和Mask机制
6.3 自己-自己关系建模
6.4 自己-其他关系建模
6.5 用户关系权重选择
6.6 模型框架
6.7 应用实践
6.8 本章小结

第七章： 基于过去、现在和未来的对话情绪分析
7.1 任务与术语
7.2 基于知识的情绪预测
7.3 常识知识库
7.4 对话上下文交互图构建
7.5 图神经网络
7.6 模型框架
7.7 应用实践
7.8 本章小结

第八章：基于平衡特征空间的不平衡情绪分析
8.1 情绪分析中的不平衡问题
8.2 基于重采样的平衡策略
8.3 基于重权重化的平衡策略
8.4 基于数据增强的平衡策略
8.5 Focal损失函数
8.6 自我调整的Dice损失函数
8.7中心损失函数
8.8 三元组中心损失函数
8.9 最大化马氏距离中心
8.10 基于平衡特征空间的损失函数
8.11 应用实践
8.12 本章小结



第四部分 小样本场景下的立场检测

第九章： 基于语义-情绪知识的跨领域立场检测
9.1 任务和术语
9.2 立场检测基础模型
9.3 语义知识和情绪知识
9.4 语义-情绪图建模
9.5 知识感知记忆单元
9.6 模型框架
9.7 应用实践
9.8 本章小结

第十章：基于元学习的跨领域立场检测
10.1 任务和术语
10.2 元学习概念
10.3 自监督元学习
10.4 MAML算法
10.5 基于元学习的立场检测模型
10.6 应用实践
10.7 本章小结

第十一章： 知识增强的零样本和小样本立场检测
11.1 任务和术语
11.2 概念知识图
11.3 多关系图神经网络
11.4 基于多关系图神经网络的知识图编码
11.5 知识增强的立场检测模型
11.6 应用实践
11.7 本章小结

第五部分 对抗攻击场景下的情感分类

第十二章：面向情感分类的对抗攻击
12.1 对抗样本的概念
12.2 扰动控制
12.3 黑盒攻击与白盒攻击
12.4 目标攻击与非目标攻击
12.5 字符级对抗攻击方法
12.6 词语级对抗攻击方法
12.7 句子级对抗攻击方法
12.8 本章小结

第十三章：基于前置检测的情感分类防御
13.1 任务和术语
13.2 鲁棒单词识别模型
13.3 两步拼写校正模型
13.4 应用实践
13.5 本章小结

第十四章：基于数据优化的情感分类防御
14.1 任务和术语
14.2 数据增强方法
14.3 对抗训练方法
14.4 错别字鲁棒编码
14.5 同义词编码
14.6 本章小结

第十五章：基于可验证区域的情感分类防御
15.1 任务和术语
15.2 可验证区域
15.3 基于多跳邻居的扰动分布
15.4 最大化可验证区域
15.5 可验证区域的估计
15.6 应用实践
15.7 本章小结