¿Cuáles son las características importantes para el análisis de sentimientos basado en aspectos en el enfoque de aprendizaje automático? ¿Qué algoritmos se pueden usar para extraer estas características?

Aquí hay algunos algoritmos que sé que funcionan bien:
1. Máxima entropía basada en NGram (La mejor demostración que he visto está en indico | sitio web de aprendizaje automático amigable para desarrolladores)
2. Redes neuronales recurrentes basadas en GRU (una vez más, indico | el aprendizaje automático amigable para el desarrollador tiene una muy buena demostración en funcionamiento)
3. Redes neuronales convolucionales: en ParallelDots utilizamos redes neuronales convolucionales para la clasificación de sentimientos. La CNN se basa en cierta medida en el documento de análisis de sentimientos de FAIR. La demo está en vivo en ParallelDots
4. Las redes neuronales recursivas funcionan mejor en mi humilde opinión para la clasificación de sentimientos, pero funcionan en un conjunto de datos analizados lingüísticamente (como Stanford Sentiment Treebank). La demostración está en vivo en la página stanford.edu:8080.
El grupo de Socher incluso ha desarrollado un clasificador de sentimientos dirigido después de esto, por lo que uno puede saber que “A es bueno, B es malo” es básicamente + ve para A y -ve para B.
5. Un método fácil de codificar y muy efectivo es usar NBSVM para el sentimiento. Un código de Python de cincuenta líneas puede poner esto en funcionamiento usando Numpy y SKlearn.

Editar: RNN de Indico se basa en GRU, no en LSTM.

Bueno, puede explorar con varias características como bolsa de palabras, ngrams, etiquetas POS, puntuación tf-idf.
Bayes ingenuas, entropía máxima, svm son buenas opciones. También se pueden explorar las redes neuronales. Si está familiarizado con Python, pruebe scikit learn.

Hasta ahora, el mejor algoritmo que he encontrado para el análisis de sentimientos es la red neuronal recurrente (RNN) con LSTM (memoria a corto y largo plazo). Podemos pasar la entrada al LSTM y al hacer que la salida sea independiente del estado de la celda LSTM, podemos obtener una serie de salidas de una capa de LSTM. Luego, las salidas se agrupan y la salida de la agrupación media se pasa a la capa de Regresión logística. La idea es ideada por Yoshua Bengio. Puede consultar más sobre esto en el sitio disponible aquí: Redes LSTM para el Análisis de Sentimientos.