Emotion recognition in text is an important natural language processing (NLP) task whose solution can benefit several applications in different fields, including data mining, e-learning, information filtering systems, human–computer interaction, and psychology. Explicit emotion recognition in text is the most addressed problem in the literature. The solution to this problem is mainly based on identifying keywords. Implicit emotion recognition is the most challenging problem to solve because such emotion is typically hidden within the text, and thus, its solution requires an understanding of the context. There are four main approaches for implicit emotion recognition in text: rule-based approaches, classical learning-based approaches, deep learning approaches, and hybrid approaches. In this paper, we critically survey the state-of-the-art research for explicit and implicit emotion recognition in text. We present the different approaches found in the literature, detail their main features, discuss their advantages and limitations, and compare them within tables. This study shows that hybrid approaches and learning-based approaches that utilize traditional text representation with distributed word representation outperform the other approaches on benchmark corpora. This paper also identifies the sets of features that lead to the best-performing approaches; highlights the impacts of simple NLP tasks, such as part-of-speech tagging and parsing, on the performances of these approaches; and indicates some open problems.

中文翻译：

---

文本中情感识别的最新方法概述

文本中的情感识别是一项重要的自然语言处理（NLP）任务，其解决方案可以使不同领域的多个应用程序受益，包括数据挖掘，电子学习，信息过滤系统，人机交互和心理学。文本中的显式情感识别是文献中最关注的问题。该问题的解决方案主要基于识别关键字。内隐情感识别是要解决的最具挑战性的问题，因为这种情感通常隐藏在文本中，因此，其解决方案需要了解上下文。文本中隐式情感识别的主要方法有四种：基于规则的方法，基于经典学习的方法，深度学习方法和混合方法。在本文中，我们批判性地调查了有关文本中显性和隐性情感识别的最新研究。我们介绍了文献中发现的不同方法，详细介绍了它们的主要功能，讨论了它们的优点和局限性，并在表格中进行了比较。这项研究表明，混合方法和基于学习的方法将传统的文本表示方法与分布式单词表示方法相比较，性能优于基准语料库上的其他方法。本文还确定了导致最佳方法的功能集；强调简单的NLP任务（例如词性标记和解析）对这些方法的性能的影响；并指出一些未解决的问题。详细介绍它们的主要功能，讨论其优点和局限性，并在表格中进行比较。这项研究表明，混合方法和基于学习的方法将传统的文本表示方法与分布式单词表示方法结合使用，优于基于基准语料库的其他方法。本文还确定了导致最佳方法的功能集；强调简单的NLP任务（例如词性标记和解析）对这些方法的性能的影响；并指出一些未解决的问题。详细介绍它们的主要功能，讨论其优点和局限性，并在表格中进行比较。这项研究表明，混合方法和基于学习的方法将传统的文本表示方法与分布式单词表示方法相比较，性能优于基准语料库上的其他方法。本文还确定了导致最佳方法的功能集；强调简单的NLP任务（例如词性标记和解析）对这些方法的性能的影响；并指出一些未解决的问题。本文还确定了导致最佳方法的功能集；强调简单的NLP任务（例如词性标记和解析）对这些方法的性能的影响；并指出一些未解决的问题。本文还确定了导致最佳方法的功能集；强调简单的NLP任务（例如词性标记和解析）对这些方法的性能的影响；并指出一些未解决的问题。