以下以语义特征为例：机器学习基于语义特征的情感分析基于语义特征的情感分析先人已有研究，可以通过情感词典匹配来做，但是应用机器学习在这方面会使精确度更高些。 以本人参与的一个项目为主，总结下相关技术点。
背景是：分析用户评论感情色彩是积极还是消极，即是褒还是贬。具体步骤为： 1.有监督的人工给文本标注类标签。
如有5000条评论数据，我们给其中的1000条标为积极的，再选1000条标为消极的，积极和消极就是所谓的类标签。 2.选择特征。从积极的评论数据中按词来选择积极的所有特征。
同理，从消极的评论数据中按词来选择消极的所有特征。如“这款游戏非常好玩”->”这款”->“游戏”->”非常”->”好玩”，分为四个特征词，也可以采用双词搭配，“这个游戏”和“非常好玩”作为特征。
3.特征降维，减少特征的数量。如上“这个游戏非常好玩”中的“这个游戏”没有必要作为特征，因为“好玩”或“非常好玩”已经决定了评论是积极的。 4.将语料文本变成使用特征表示。
5.统计所有特征出现的次数，并按倒序排序。 6.从以上结果中选出排序最靠前的一些特征作为最终的评判特征。 7.使用训练数据根据特征训练分类算法，得到分类器。 8.用测试数据检测分类器的准确度。
我们将数据分为两部分：开发集、测试集。用开发集的数据训练分类算法得到分类器；再用分类器对测试集里的数据进行分类，给出分类预测得到的标签；对比分类标签和人工标注得到的标签的差异，计算出准确度。
谷歌人工智能写作项目：神经网络伪原创