相關背景：
這篇論文發表於2002，那時大量的文本分類研究都是對文章的主題分類，例如判斷一篇文章是體育類還是財經類。然而隨着在線評論的網站大肆興起，爲了提供更言簡意賅的信息，就需要判斷人們針對某件事發表言論的是肯定的還是否定的，即情感分類。
當前研究：
傳統的對文章進行情感分類的做法有：
- 使用統計學的方法判斷文章的來源：例如考慮文章的作者，出版商以及作者所處的階層。
- 一個相關的領域是確定文章的類型，然而這些方法只能確定文章是用來表達觀點的，但無法識別出究竟是什麼觀點。
- 大多數情感分類的研究都是基於一定的先驗知識，通過人工來構建詞表。然而實驗表明依靠人的主觀經驗實現情感分析，效果並不是很好。
Motivation：
這些方法要麼是基於統計學，要麼人爲構建詞表，然而效果並不盡如人意，因此這篇文章使用三種不考慮先驗知識的有監督的機器學習的方法（樸素貝葉斯，最大熵和支持向量機）測試在電影評論中情感分類的效果。
Baseline1：兩個人分別給出表達積極和消極情感的詞彙，然後在1400條評論集上測試分類的準確率。
Baseline2：詞彙表由人工和語料共同構建，共14個詞。
Accuracy:準確率
Ties:被同時判斷成積極和消極情感的概率
實驗結果：
創新點：
- 使用機器學習方法，從unigram and bigram，特徵出現的頻率or是否出現，詞性和位置角度研究分類準確率。
- 在預料預處理過程中，爲突出否定詞的作用：從否定詞開始到後面第一個標點結束，每一個單詞就加上NOT_標誌。
結論：
在不同的Features下使用SVM往往能取得較好的效果，然而準確率仍然沒有主題分類的高。一種常見的原因是很多評論會用到欲揚先抑或相反的手法，解決這個問題就要使特徵表示和文本更加切題。