如果不将方面级别的情感分析分解为其子任务，很难说一般来说什么是最先进的：

1）方面提取

2) 情绪分类

正如您可能在 Liu 的书中读到的那样，通过提取最常见的名词短语并添加一些启发式方法，可以相对较好地完成方面提取。当您处理围绕几个主题的文本时，这特别有效。基于主题模型的技术（LDA 等）更好，但实现起来更复杂。

至于分类，所有当前最先进的方法都使用神经网络（循环神经网络或卷积神经网络）。在句子级别，Kim (2014) 在几个数据集上仍然是 soa。Wang等人有一篇论文。关于去年在 EMNLP 中用于方面级情感分析的基于注意力的 LSTM。

我建议在基于方面的情绪分析中查看最近的 SemEval 任务（2014 任务 4、2015 任务 12、2016 任务 5）。那里有很多好主意，你可以从中汲取灵感。

基本上，有两种类型的情绪分析。

1. 符号方法 - 根据句子中使用的单词类型对句子的情绪进行分类。涉及到wordnet等词汇数据库和一些基于语言语法结构的规则作为知识表示。
2. 向量模型 - 不是检测句子中的情绪，而是根据训练数据集将查询句子分类为类别之一，并将特征表示为词向量。分布式和分布式表示是它的类型。

无论是粗分类（正面 - 负面）还是精细分类（其中的情绪类型），如果您要通过矢量模型处理它，则需要一个训练数据集，因为它更容易使用。

谷歌基于循环神经网络语言模型开发的skip-gram模型和连续词袋模型在自然语言处理方面取得了突破，似乎是分布式表示中最先进的模型。

由于代码已经开源，c代码在这里可用，python库在这里维护。

如果您要使用 reddit 评论、推文或评论，这并不重要。重要的是句子对训练数据的分类程度。因为垃圾进就是垃圾出。