题主的问题是情感分类的算法，正如几位答主提到的，情感分类问题的目标有较大差异，针对不同的问题，如提取情感词描述的对象等需要用到句法分析的问题，需要用CRFs算法，如果只是对文档进行情感分类，则SVM和MaxEnt都可以，且更关键的问题不在于选用哪种机器学习算法，而在于适用于不同问题的特征提取。
也借此机会对情感分类做一个总结吧，也帮助更多人了解机器是怎样识别文本的情感的~
下面将从这几个方面阐述：
1.NLP情感分类任务有哪些，实际生活中有什么用途
2.机器依靠什么完成NLP情感分类（核心问题是什么）
3.现有的针对不同情感分类任务的算法
4.为什么机器在NLP情感分类任务上还比不上人类
===============================分割线==========================
1.NLP情感分类任务有哪些，实际生活中有什么用途
最容易想到的，就是对于一句或一段话，判断说话者的情感，是正向（积极）的，还是负向（消极）的。即便是一段客观的评论，也是可以判断出该评论是在表扬一个事物，还是批评一个事物。这种情感分类任务可以看作一个二分类问题。
但情感其实并不仅限于好、坏两种类别。一种更细的划分是，好坏的程度如何？如果是一个1-5分的打分系统，判断一个评论是几分，则是一个五分类问题。另一种划分方法是情感的类别，现代心理学把基本情感分为快乐、愤怒、恐惧、悲哀四种。也有很多emotion classification的研究把情感分为喜、怒、哀、惊讶、厌恶、恐惧和中立七种，可谓五花八门。当然了，如果只限于sentiment classification的话，还是重点在于正负两种情感的分类的。
上述任务都只是分类问题，但很重要的一点是，我们的语言中所蕴含的信息，绝对不仅限于好坏情感的表达。拿一段评论来说，被评论的东西是什么？它的哪些特性使评论者感到满意或不满意？这样的特性使评论者感到满意的原因是什么？相比于仅仅将一段话分为正负两种类别，这样的语义信息往往更具有现实应用的价值，也更能体现人工智能中“智能”的一面呢~
至于情感分类在现实中的应用，Coursera上Stanford的一门自然语言处理公开课中有比较好的举例，在这里直接引用了
图1 商品评价统计
如网上的商品评论，每条评论评价的商品的哪个方面？是表扬还是批评？当然，购物网站一般会让用户自己打分，所以倒免去了对评论进行情感极性预测的麻烦。
图2 社交网络情感倾向
再比如研究社交网络上网民对某一事物的评价如何，一条微博是积极的还是消极的，可以了解社会舆论对事物的看法。
图3 Twitter情感与民意调查的关系
也有用社交网络网民发的twitter来与民意调查来进行对比的。
还有研究网民情绪随时间的变化，比如周五晚上比较开心，周日晚上比较烦躁等等（这是一定的吧…）。
之所以要对NLP情感分类的任务做区分，是因为针对不同的任务，所用到的算法是有很大差异的。退一步讲，即使要解决的任务是一样的（只区分一段话的正负向情感），训练数据和测试数据的差异，也会使应用的算法有所不同。
那下面就来说说，机器是怎么检测文本中的情感的。
2.机器依靠什么完成NLP情感分类（核心问题是什么）
情感分类问题可以用机器学习的方法来解决。题主所提到的CRFs、SVM、MaxEnt也都是传统的机器学习方法。但正如几位答主提到的，对于NLP情感分类问题而言，选择哪种传统机器学习方法并不是最关键的，有的论文中就用线性分类器或朴素贝叶斯分类器来进行分类。决定准确率的关键在于特征的选取与语料的质量。
自然语言与图像、语音的重要差异在于，自然语言有一套长时间积累形成的规则，且自然语言的表达具有很抽象的特征。这即可以看作自然语言的优势，也可以看作是劣势。
优势在于，因为自然语言是人为创造的，其特征是高度抽象的，用这种特征解决自然语言的问题，已经有很好的适用性和准确率，语法是确定而且有限的，有些词只可能作为动词出现，动词后面只可能有几种固定的成为搭配，等等。
劣势一方面在于，自然语言有歧义性，一些语句就算让人来理解，尚且会有差异，何况让机器来分辨？另一方面则像上一篇回答的同学所提到的，用什么样的特征来表示文本才足够原始呢？每个词看似已经是文本的足够底层的特征，但其实也是经过高度抽象的。这也会给深度学习在自然语言领域的应用带来一些困难。当然，深度学习在自然语言领域已经有了一些应用，但其成果尚不如在图像等领域那样显著。
那么机器如何识别一句话中的情感？
一是依靠词，二是依靠语法规则。
对于英语等语言来说，每个词之间有空格分开，所以可以直接把空格分开的词语作为一段评论/文档的特征，进行后续的分类。而对于中文这种没有空格分词的语言，则需要由分词工具先对文本进行分词，再进行后续的分类。
而对于语法，则在自然语言处理领域已经有很成熟的词性标注、命名实体识别、句法分析的算法与工具，这里就不再进行赘述，仅将其归为“语法规则”，说说这些算法是怎样服务于情感分类任务的。
这其实跟我们学语言是很像的，在我们学一门新语言时，也无外乎背单词、学语法这两项主要任务。人类想让机器实现人的工作、像人一样思考，第一反应肯定是从自身出发，希望能够用这种方式“教”会机器人类的语言。
3.现有的针对不同情感分类任务的算法
这里我们只简单概述一下不同情感分类任务算法的基本思想，不做过于详细的理论证明，因为不同的优化、约束方式有很多，但最本质的思想是比较相近的。
总的来说，可以将各种情感分类的方法分为基于统计和基于规则两类。
首先，对于正负倾向情感分类问题，一个适用于本问题的语料库已经能够解决大部分问题，关键在于如何获得高质量语料库与词语的情感极性。用词袋模型（将每篇文档表示为一个向量，每一维度代表一个词语，其数值代表词语在该文档中的出现次数）可以表示每段文本。
在这种方法中，如果一段文本中出现了诸如great、excellent这样的词，那这段文本表达正向情感的可能性就很大，同样的，如果出现了bad、awful这样的词，那这段文本就很可能表达负向情感。如果正、负向情感的词都有呢？这就是让机器学习词语情感极性的作用了~给每个词语赋一个情感得分，正向为正数，负向为负数，极性更强的词语有更强的绝对值，比如great就会比good的绝对值更大。这样就可以给每篇文本算得一个情感得分，也就是其为正向、负向情感的概率了。如下面这个例子：
图4 正、负情感极性词
蓝色的都是正向的情感词，红色的是负向的情感词，这些事用来判断一段文本情感的重要依据，不论对于人还是机器来说。
但其实这里有个trick，正向的情感词很多，负向的只有一个，但我们很容易读出这段评论的负向情感，机器怎么做呢？可以依据假设词”should be”，可以依据转折词”however”，这就加入了其他的信息。事实上，这也确实是难点之一。
但如何去确定每个词的情感极性（构建情感词典）呢？以及对于一些并不能表达情感的词语，比如“I”，“the”，“tree”，怎么把它们筛选掉，留下那些更有利于做情感分类的词语呢？这其实是情感分类中更值得研究的问题。
不同的构建情感词典的方法太多，但基本可以按上面所说的，分为基于统计和基于规则两种。
如果我们有大量已经标注好正负情感的文档，那么统计不同的词在这些文档中的出现频率，就可以对情感词的情感极性（正、负以及强度）有一个初步的预测。具体可参考[3]
这里举一个例子，这是根据IMDB的打分评价系统统计的不同的词在不同分数评价中的出现概率：
图5 不同情感词在IMDB打分评价系统中出现概率
词的情感极性就很明显了吧？这还是对评论按10个类别进行划分的结果，如果只有正负两种，则正负分布差异会更大。
基于规则的方法呢，就是通过已有的一些语法规则，让机器通过一些标注好的情感词（good,bad,excellent,awful）去学习更多的情感词。比如两个词被and连接，那么认为它们有相同的情感极性，被but连接，则有相反的极性，同时考虑否定词如not、none的影响。
刘兵教授实验室发过的一篇文章Expanding Domain Sentiment Lexicon through Double Propagation([4])中，提到这样一种假设：在一段评论中，描述同一对象的词具有同样的情感极性。比如一段评论里说一款手机的屏幕非常好（good），那么这段评论中如果还有形容手机屏幕的词，则很可能也是表达好的（如分辨率高、灵敏）。这就像我们在读英文文章时，如果有一个词不认识，那从其前后并列使用的词语中，可以大致猜到这个词的意思一样。当然这种方法首先要对文本进行结构分析，找到每个形容词描述的对象，这就需要基于规则的算法了。
基于不同的数据集和情感词分类方法，现在已经有很多情感词典（sentiment lexicon），比如LIWC、MPQA、BING LIU OPINION LEXICON、SentiWordNet等，基于这些词典，根据每段文本中出现的情感词，可以对文本的情感进行基本的预测。
对于挖掘情感词描述对象的任务，则需要在已知情感词极性的基础上，加入句法分析算法，提取情感词所描述的对象（属性）。句法分析则是自然语言处理的另一个研究方向了，在这里就不过多赘述了，简单来说就是基于已有的语法规则，对文本进行处理，找到每句话中的主语、谓语、宾语等成分。也正如我们在读一句话时，要看的不只是形容词，更要看被描述的主体是什么。
用刘兵教授在THU的一次演讲中举的例子：
图6 情感词对象提取
蓝色的词可以帮助我们识别评论者对描述对象的情感，红色的词是情感词所描述的对象。
4.为什么机器在NLP情感识别任务上还比不上人类
上面所说的依据情感词和语法规则的方法进行情感分类看似合理，但为什么机器在很多时候还是不能像人一样准确地识别NLP中的情感呢？是因为人类在用语言进行交流时，还有一些更严苛的条件，或者说优势，是机器暂时难以达到的。
第一是人类的推理能力。我们读一句话、一段文本，不仅限于其字面意思，但对于机器而言，它们只能了解到字面意思。很多情感是隐晦（implicit）的。比如“如果这个手机销量好，其他手机都要脱销了”，这在我们看来一点也不难理解，但这里面的假设、对比，对于机器而言是很难理解的。本质上说，就是我们难以将其归结为某种特征，让机器去学习。这种对语言理解的推理能力，并不是依靠词和语法就能够完成的。
第二是人类理解语言时带有其已经了解的大量先验知识。比如“easy”这个词，用来形容电子产品容易上手，是个正向情感词，而说某本书思想很浅薄，则是个负向词，这就涉及到一个词在不同的领域的情感转变。哪怕只在手机这个领域，“long”这个词，用来说电池使用时间，就是正向词，用来说打开app的时间，就是负向词，这就涉及到不同的形容词与描述对象的搭配。机器更多的从统计的角度来计算正、负情感的概率，但不可能将所有的情况全都存下来，更不用说我们在交流的时候还涉及了大量生活中的常识，这也是机器针对不同的情感分类问题，总是要用适用于这种问题的方法、语料来进行预测的原因。
第三是人类具有对语言的自我学习与迁移的能力。我们对语言的学习，是有着很自然的自我学习机制的，看到一个新词、新搭配，即使不查字典，我们也会很自然地通过已有的知识推测这个词的意思、并学习这种用法。但对于机器来说，这种利用将已有知识迁移到未知的能力是较差的，这也是为什么从一个领域（比如书籍）学习到的情感词，如果用在其他领域（比如电子产品），效果并不好，更不用说社交网络上层出不穷的原创词汇了。事实上对于机器的这种迁移学习，已经有不少的研究，但不能否认的是，人类的这种自我学习与迁移的能力与意识，是机器还没有达到的。
当然，这些只是现存的问题，并不能说明它们是不能解决的。刘兵教授在一次在THU的讲座里提到Lifelong machine learning对解决情感分类问题的帮助，如对已有的领域（话题）进行学习，当出现一个新领域的情感分类问题时，如何判断新领域与已有领域中的哪些相关性强、哪些相关性弱，并将强相关领域已学到的特征传递到新领域中。
乍一听感觉让机器进行情感分析很厉害，但其实现在机器处理的情感分类任务还只是从数学统计角度，融合一些自然语言的语法规则，而完成的极性分类、语法分析的任务。而情感是一个很“玄幻”的东西，交给机器处理的也只是最能够用数字量化的基本任务。所以，除了去提升用机器解决情感分类问题的准确性，探寻如何让机器对人类情感的学习涉及到更广的范畴、有更广泛的应用，也是一件令人期待而兴奋的事情呢~
参考文献
[1]斯坦福大学自然语言处理公开课Coursera - Free Online Courses From Top Universities
[2]KDD China专题讲座第一讲{{S.China}}
[3]Yu H, Deng Z H, Li S. Identifying Sentiment Words Using an Optimization-based Model without Seed Words[C]//ACL (2). 2013: 855-859.
[4] Qiu G, Liu B, Bu J, et al. Expanding Domain Sentiment Lexicon through Double Propagation[C]//IJCAI. 2009, 9: 1199-1204.
【“科研君”公众号初衷始终是希望聚集各专业一线科研人员和工作者，在进行科学研究的同时也作为知识的传播者，利用自己的专业知识解释和普及生活中的 一些现象和原理，展现科学有趣生动的一面。该公众号由清华大学一群在校博士生发起，目前参与的作者人数有10人，但我们感觉这远远不能覆盖所以想科普的领域，并且由于空闲时间有限，导致我们只能每周发布一篇文章。我们期待更多的战友加入，认识更多志同道合的人，每个人都是科研君，每个人都是知识的传播者。我们期待大家的参与，想加入我们，进QQ群吧~：108141238】
【非常高兴看到大家喜欢并赞同我们的回答。应许多知友的建议，最近我们开通了同名公众号：PhDer，也会定期更新我们的文章，如果您不想错过我们的每篇回答，欢迎扫码关注~ 】