之前的工作缺点：基于机器学习的情感分类需要大量的人工标记； 一个领域训练的情感分类模型不能很好地应用于另一个领域； 主题/特征检测和情感分类经常分开来进行，忽略了它们的相互依赖性。
JST 同时建模话题和情感
情感分析可以分为三类：积极，消极和neutral。更细粒度的可以分析单个用户对特定item和话题的观点等。
在传统的LDA中，模型分为三个层次，分别是 document-topic，topic-word；而JST在document-topic之间添加了sentiment层次，成为了四层模型，话题从情感生成，单词有sentiment-label和topic共同生成。如图：
和AUSM类似，这时候话题参数从T维变成了S*T维（还要V），首先是判断情感极性，然后选出极性对应的话题分类，然后得到话题分布，最后生成单词。所以作者说，他们和LDA的区别在于，每个文档的单个话题分布，变为了S个话题分布（对应情感，其实就是3个吧）。变种Tying-JST模型，只有一个话题分布，对应所有的文档。相比较而已，三者的粒度从单词过渡到文档。
Incorporating Model Priors：
在期刊（TKDE）的扩展版本，作者提到了结合先验的方法，即在φ添加S*V的先验矩阵，表示了单词的情感属性，修改dir先验的转换矩阵。然后使用乘法（β）实现映射（保留相应的极性，同时其他极性的先验置为0）
- 完全非监督，更加灵活，更容易适用于其他领域。
- 通过考虑相互联系同时检测情感/主题。
- LDA
- 两个矩阵：分布（文档-主题）：；分布（主题-词）：。
- JST
- 3个矩阵：分布（文档-情感）：；分布（文档-情感-主题）：；分布（文档-情感-词）：。
- 对每个文档d，选择一个分布。
- 对于文档d下的每个情感标签l，选择一个分布。
- 对于文档d中的每个词：选择一个情感标签；选择一个主题；从由主题和情感标签定义的词分布中选择一个词。
JST的分类性能与机器学习最好的性能接近，但是节省了很多标记工作。
参考文章：Aspect semantic unification model
- 对每个方面z，绘制一个词分布。
- 对每条评论d：绘制评论的方面分布；对每个句子：选择一个方面，产生词
- 对每一个情感s和方面z对，绘制一个词分布。
- 对每一个文档d：绘制文档情感分布；对于每一个情感s，绘制方面分布；对于每一个句子：选择一个情感，给定情感j，选择一个方面，产生词。
ASUM通过使用非对称的利用先验情感信息。如，期望“good, great”不可能在消极表达中出现，类似地，“bad, annoying”不可能在在积极表达中出现。这可以编码到里，里的元素对应通常的积极情感词，在消极情感方面值小以及通常的消极情感词，在积极情感方面值小。隐变量通过Gibbs采样推理。在马尔科夫链的每个转换步中，第i个句子的情感和方面根据条件概率选择。
--------------------- 本文来自 安小北north 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/northhan/article/details/50881122?utm_source=copy