1 定義と基本概念
1.1 感情分析の定義
感情分析とは、自然言語処理とテキストマイニングに属する技術であり、書き手や話者がテキスト内で表現する主観的な感情、態度、意見を自動的に抽出・分類する手法である。企業や研究者はこれを利用して、大量のテキストデータから人々の感情傾向を定量的に理解する。
1.2 感情の分類体系（ポジティブ・ネガティブ・ニュートラル）
感情分析の最も基本的な分類は、テキストの極性をポジティブ（肯定的）、ネガティブ（否定的）、ニュートラル（中立的）の三値に分けることである。ポジティブは喜びや満足、ネガティブは不満や悲しみを表し、ニュートラルは感情が明確でない場合に割り当てられる。この三値分類は多くの実用的システムの基礎となっている。
1.3 極性分析と感情強度
極性分析はテキストが肯定的か否定的かの方向性を判定するが、感情強度はその度合い（例えば「とても良い」と「まあ良い」の違い）を数値化する。強度はスコア（-1から+1など）や段階（非常にポジティブ、ややポジティブなど）で表現され、より細かい感情のニュアンスを捉えることを可能にする。
2 歴史と発展
2.1 初期の辞書ベース手法
初期の感情分析は、感情語辞書（例えばポジティブ単語リストとネガティブ単語リスト）を用いて、テキスト内の単語出現頻度から感情スコアを計算する辞書ベース手法が主流であった。この手法は単純で高速だが、文脈や皮肉を無視する欠点があった。
2.2 機械学習の導入
2000年代に入り、教師あり学習アルゴリズム（サポートベクターマシン、ナイーブベイズなど）が導入された。手作業で抽出した特徴量（n-gram、品詞タグなど）を用いて分類器を訓練し、辞書ベースよりも高い精度を達成したが、大規模なラベル付きデータが必要だった。
2.3 深層学習とTransformerモデル
2010年代後半、深層学習、特にリカレントニューラルネットワーク（LSTMなど）が登場し、文脈情報を考慮した分析が可能になった。さらにTransformerアーキテクチャ（BERT、GPTなど）の登場により、事前学習とファインチューニングの枠組みで、文脈依存表現を獲得し、多様な感情分析タスクで最高水準の性能を記録している。
3 技術的基盤
3.1 データ前処理
3.1.1 トークナイゼーション
テキストを単語やサブワードなどの最小単位（トークン）に分割する処理。日本語では形態素解析（MeCabなど）、英語では空白や句読点による分割が一般的である。適切なトークナイゼーションはその後の特徴抽出の精度に直結する。
3.1.2 ストップワード除去・ステミング
ストップワード（「て」「に」「を」「は」「a」「the」などの高頻度で意味希薄な語）を除去することで、ノイズを低減する。ステミングは単語の語幹を抽出（例：「running」→「run」）して形態変化を統一し、特徴量の次元削減に寄与する。
3.2 特徴抽出
3.2.1 Bag-of-WordsとTF-IDF
Bag-of-Wordsは文書内の単語出現回数をベクトル化する手法。TF-IDFは単語の文書内頻度（TF）と逆文書頻度（IDF）を掛け合わせ、一般的な単語の重みを下げて特徴的な単語を強調する。両者は古典的だが、ベースラインとして今も利用される。
3.2.2 単語埋め込み（Word2Vec・GloVe）
単語を低次元の実数値ベクトルで表現し、意味的・構文的な類似性をベクトル空間に写像する。Word2Vecは周辺単語からの予測タスクで学習し、GloVeは単語共起行列の因数分解で学習する。これにより、「良い」と「素晴らしい」が近いベクトルになる。
3.3 分析手法
3.3.1 ルールベース手法
あらかじめ定義された感情辞書や構文パターン（否定語＋感情語など）を用いてルールを適用する。実装が容易で解釈性が高いが、未知の表現や複雑な文脈には弱い。
3.3.2 教師あり学習（SVM・ナイーブベイズ）
ラベル付きデータから特徴量とラベルの関係を学習する。SVMは高次元特徴空間でのマージン最大化、ナイーブベイズはベイズの定理に基づく確率的分類を行う。少量データでも実用的な精度が出せることが利点。
3.3.3 深層学習（LSTM・BERT）
LSTMは長期依存関係を学習するRNNの一種で、文脈を考慮した系列処理に適する。BERTはTransformerの双方向エンコーダで、マスク言語モデルによる事前学習後、感情分析タスクでファインチューニングすることで、文脈や皮肉の検出能力が大幅に向上した。
4 応用分野
4.1 ビジネス・マーケティング
製品レビューの自動評価、競合他社の評判分析、広告キャンペーンの効果測定に利用される。顧客の声からポジティブ・ネガティブなトレンドを把握し、マーケティング戦略や製品改良に役立てる。
4.2 ソーシャルメディア分析
Twitter、Facebook、Instagramなどの投稿からブランドやイベントに対する世論をリアルタイムで監視する。炎上予測、インフルエンサーの影響度評価、選挙予測などにも応用されている。
4.3 医療・ヘルスケア
患者のオンライン上の日記やソーシャルメディア投稿から、うつ病や自殺リスクの兆候を検出する試みがある。また、医師と患者の対話記録の感情分析により、医療サービスの質向上に活用される。
4.4 カスタマーサービス
問い合わせメールやチャットログを分析して、顧客の不満や緊急度を自動判定する。優先度付けや自動応答のトリガーとして組み込まれ、オペレーターの負担軽減と応答品質向上に寄与する。
5 評価と指標
5.1 正解率・適合率・再現率
正解率は全予測中の正解数の割合。適合率は「ポジティブと予測した中で実際にポジティブだった割合」、再現率は「実際にポジティブなもののうち正しくポジティブと予測できた割合」を表す。不均衡データでは正解率だけでは不十分で、適合率と再現率の両方を評価する必要がある。
5.2 F1スコアと混同行列
F1スコアは適合率と再現率の調和平均で、両者のバランスを測る指標。混同行列は予測クラスと真のクラスの組み合わせを表形式で示し、誤分類の内訳（偽陽性、偽陰性など）を詳細に把握できる。
5.3 ベンチマークデータセット
代表的なデータセットとして、映画レビュー用のIMDb、製品レビューのAmazonレビュー、TwitterデータのSemEvalタスク、多言語感情分析用のEmoBankなどがある。これらは手法間の公平な比較に用いられる。
6 課題と今後の展望
6.1 文脈依存と皮肉・比喩の処理
「この映画、最高にひどい」のような皮肉や、比喩表現は、単純な単語極性では捉えられない。文脈を考慮したモデル（BERTなど）の改良や、常識知識の統合が進められている。
6.2 多言語・方言対応
英語以外の言語や方言、コードスイッチング（複数言語の混在）には、言語資源が不足している。転移学習や多言語事前学習モデル（mBERT、XLM-Rなど）の活用により、低リソース言語への適用が模索されている。
6.3 プライバシーと倫理
個人の感情データの収集・分析は、同意なしの利用やプロファイリングによる差別のリスクを伴う。匿名化技術の向上や、GDPRなどの規制遵守、透明性のあるアルゴリズム設計が求められる。
6.4 リアルタイム処理の効率化
ソーシャルメディアのストリームなど膨大なデータを低遅延で処理するには、モデルの軽量化やエッジコンピューティング、分散処理技術の導入が必要である。量子化や蒸留による小型モデルの研究が進んでいる。