文本情感分析（sentiment analysis）的目的在于了解作者在特定文本中的情感态度，这些态度反映了作者在撰写该文本时的个人情感，或是意图经由该文本向读者所传达的情感。自动化的文本情感分析，是指结合自然语言处理（Natural Language Processing）、文本挖掘（Text Mining)，以及计算机语言等领域的技术方法，来提取文本中的主观情感信息。平台所提供的自动化情感分析模型由DiVoMiner®团队独家研发，可自动识别和分析文本中表达的情感或态度倾向（标记为正面、负面或中立），该项技术正在申请专利。
基于团队对算法模型的不断升级和丰富的语料支持，经测试，特定类别语料情感分析Accuracy（准确性或准确率）达到0.7~0.9（业界接受范围内）。测试结果如下，建议用户根据实际研究情况确定模型适用性。
提示：以上测试结果均基于内部数据测试集，而“准度”是建立在特定的测试集的基础之上，可通过通用评价指标（如：Accuracy、F1-score、Precision、Recall）给出的量化值进行判断。受测试集的限制，“准度”范围会产生波动，目前并无严格的业界标准。
指标说明：
- Accuracy（准确性或准确率）：预测正确的样本数占总样本数的比例。
- F1-score（F1值）：Precision和Recall的调和平均值。
- Precision（精确率、精度或查准率）：预测正确的数据占预测数据的比例。
- Recall（召回率、查全率）：预测正确的数据占实际数据的比例。
参考文献：
【1】Powers, David M W (2011). “Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation” (PDF). Journal of Machine Learning Technologies. 2 (1): 37–63.
【2】周志华, 杨强. 机器学习及其应用2011[M]：清华大学出版社，2011
