商业舆情监控平台SliceProfile实现了语句级观点分类和倾向性分析。实现观点分类的前提是建立观点词典。
观点词也叫极性词或情感词，英文可以是polar word, sentiment word, opinion word，在英语里面，极性词可以分成两类
- 基本类：base type
- 比较类：comparative type，例如，better, worse, best, worst
中文里面似乎这样分类是没有必要的，可以通过识别一些作为比较的词确定比较句，例如，“比”，“同什么相比”。判定比较句的观点的褒贬倾向有些麻烦，因为即使人从实际语义上也难判断对某个特性是贬还是褒，因为只是相对的贬和褒，所以，可以采用这两种判断方法：
- 比较句涉及两个对象或者特性（feature），相比较而言，观点更正面的那个划为褒类，另一个划为贬类
- 从语义上理解，将两个对象的观点都划为中性也说得过去，因为某人说A比B强，不见得该人就是想表达A强。
极性词典的建立方法可以归纳为：
- 手工方法（manual approach）
- 基于词典的方法（dictionary-based approach）
- 基于语料集的方法（corpus-based approach）
基于词典的方法
先收集小量的极性词，然后用程序自动的查WordNet等语义词典，查找同义词和反义词进行扩展。缺点是难于将词典的建立限定在特定领域。《Sentiment Analysis and Subjectivity》一文举了一个例子，quiet用于描述speakerphone和car的褒贬是不一样的。实际上，这不仅是领域问题，而且深入到上下文语义的层面，下一节将再次讨论这个问题。
基于语料集的方法
这三种极性词典的建立方法的目的都是一致的：怎样扩充词典。基于语料库的方法也是使用少量的极性词作为种子，利用句法或者词语的共现模式（co-occurence pattern）识别更多的极性词。同上节方法相比，更容易限定在特定领域。方法可以是：
- 识别并利用连接词AND：在一个句子中，如果多个形容词用and连接起来描述同一个对象特征，那么这些形容词很有可能都是极性相同的。在英语里面，还可以使用的连接词有or, but, either...or, neither...nor等。这叫做观点连贯性（sentiment consistency）。用同一个连接词连接在一起的不一定都是极性一致，据说用log-linear model进行辨别，暂未验证。
- 扩展上述方法，分成句内连贯性（intra-sentential consistency）和句间连贯性（inter-sentential consistency）
- 从句法上观察，观点词和被描述的对象特征词是关联在一起的。所以，通过识别特征词可以提取更多观点词，另一方面，通过识别观点词可以提取更多特征词。这被称作双向传播（double propagation）
- 即使在同一个领域内，同一个观点词的褒贬也会变化，例如，“电池待机时间长”和“镜头聚焦时间长”分别是褒和贬，因此必须和特征词进行关联，这称为观点上下文或者观点语境（opinion context）。据说条件随机场（Conditional Random Fields，CRF）能够用于这种情况的观点词提取，SliceProfile采用的算法同样可以高效且满意地实现语境识别。