Анализ тональности текста

Поделись знанием:
Перейти к: навигация, поиск

Ана́лиз тона́льности те́кста (сентимент-анализ, англ. Sentiment analysis, англ. Opinion mining[1]) — класс методов контент-анализа в компьютерной лингвистике, предназначенный для автоматизированного выявления в текстах эмоционально окрашенной лексики и эмоциональной оценки авторов (мнений) по отношению к объектам, речь о которых идёт в тексте[⇨].

Тональность — это эмоциональное отношение автора высказывания к некоторому объекту (объекту реального мира, событию, процессу или их свойствам/атрибутам), выраженное в тексте. Эмоциональная составляющая, выраженная на уровне лексемы или коммуникативного фрагмента, называется лексической тональностью (или лексическим сентиментом). Тональность всего текста в целом можно определить как функцию (в простейшем случае сумму) лексических тональностей составляющих его единиц (предложений) и правил их сочетания[2].





Задачи

Основной целью анализа тональности является нахождение мнений в тексте и выявление их свойств. Какие именно свойства будут исследоваться зависит уже от поставленной задачи. К примеру, целью анализа может быть автор, то есть лицо, которому принадлежит мнение.

Мнения делятся на два типа[3]:

  • непосредственное мнение;
  • сравнение.

Непосредственное мнение содержит высказывание автора об одном объекте. Формальное определение непосредственного мнения выглядит так: "непосредственным мнением называется кортеж из пяти элементов (e, f, op, h, t)[2], где:

  • (entity, feature) — объект тональности e (сущность, насчет которой высказывается автор) или его свойства f (атрибуты, части объекта) ;
  • orientation или polarity — тональная оценка (эмоциональная позиция автора относительно упомянутой темы);
  • holder — субъект тональности (автор, то есть кому принадлежит это мнение);
  • момент времени time, когда было оставлено мнение.

Примеры тональных оценок[4]:

  • позитивная;
  • негативная;
  • нейтральная.

Под «нейтральной» подразумевается, что текст не содержит эмоциональной окраски. Также могут существовать и другие тональные оценки[⇨].

Виды классификации

В современных системах автоматического определения эмоциональной оценки текста чаще всего используется одномерное эмотивное пространство: позитив или негатив (хорошо или плохо). Однако известны успешные случаи использования и многомерных пространств[5][6].

Основной задачей в анализе тональности является классификация полярности данного документа, то есть определение, является ли выраженное мнение в документе или предложении позитивным, негативным или нейтральным. Более развёрнуто, «вне полярности» классификация тональности выражается, например, такими эмоциональными состояниями, как «злой», «грустный» и «счастливый».

Классификация по бинарной шкале

Полярность документа можно определять по бинарной в шкале. В этом случае для определения полярности документа используется два класса оценок: позитивная или негативная. Одним из минусов данного подхода является то, что эмоциональную составляющую документа не всегда можно однозначно определить, т.е документ может содержать как признаки позитивной оценки, так и признаки негативной[4]. Ранние работы в этой области включают в себя труды Терни[7] и Панга[8], которые применяют различные методы распознавания полярности обзоров товара и отзывов о фильмах соответственно. Это пример работы на уровне документа.

Классификация по многополосной шкале

Можно классифицировать полярность документа по многополосной шкале, что было предпринято Пангом[9] и Снайдером[10] (среди прочих). Ими была расширена основная задача классификации киноотзывов от оценки «положительный или отрицательный» в сторону прогнозирования рейтинга по 3-х или 4-балльной шкале. В то же время Снайдер провёл углублённый анализ обзоров ресторанов, предсказывая рейтинги их различных свойств, таких как еда и атмосфера (по 5-балльной шкале)[10].

Системы шкалирования

Другим методом определения тональности является использование систем шкалирования, посредством чего словам, обычно связанным с отрицательными, нейтральными или позитивными тональностями, ставятся в соответствии числа по шкале от −10 до 10 (от самого отрицательного к самому положительному). Вначале фрагмент неструктурированного текста исследуется с помощью инструментов и алгоритмов обработки естественного языка, а затем выделенные из этого текста объекты и термины анализируются с целью понимания значения этих слов.[11].

Субъективность/объективность

Другое исследовательское направление — это идентификация субъективности/объективности[12]. Эта задача обычно определяется как отнесение данного текста в один из двух классов: субъективный или объективный. Эта проблема иногда может быть более сложной, чем классификация полярности: субъективность слов и фраз может зависеть от их контекста, а объективный документ может содержать в себе субъективные предложения (например, новостная статья, цитирующая мнения людей). Более того, как упоминал Су[12], результаты в большей степени зависят от определения субъективности, употребляющейся в рамках аннотации текстов. Как бы то ни было, Панг[13] показал, что удаление объективных предложений из документа перед классификацией полярности помогло повысить точность результатов.

Модель более подробного анализа называется анализом на основе функции/аспекта. Эта модель ссылается на определение мнений или настроений, выраженных различными функциями или аспектами сущностей, например, у сотового телефона, цифровой камеры или банка. Свойство/аспект — это атрибут или компонент сущности, исследуемой на тональность, например, экран сотового телефона или же качество съемки камеры. Эта проблема требует решения ряда задач, например, идентификация актуальных сущностей, извлечение их функций/аспектов и определение, является ли мнение, высказанное по каждой функции/аспекту, положительным, отрицательным или нейтральным. Более подробные дискуссии на этот счёт могут быть найдены в справочнике по NLP, в главе «Анализ тональности и субъективности»[14].

Подходы к классификации тональности

Компьютеры могут выполнять автоматический анализ цифровых текстов, используя элементы машинного обучения, такие как скрытый семантический анализ, метод опорных векторов, «мешок слов» и семантическая направленность в этой области[7]. Более сложные методы пытаются определить обладателя настроений (то есть человека) и цель (то есть сущность, в отношении которой выражаются чувства). Чтобы определить мнение с учётом контекста, используют грамматические отношения между словами[15].

Отношения грамматической связанности получают на основе глубокого структурного разбора текста. Анализ тональности может быть разделен на две отдельные категории[16]:

  • ручной (или анализ тональности экспертами);
  • автоматизированный анализ тональности[⇨].

Наиболее заметные различия между ними лежат в эффективности системы и точности анализа. В компьютерных программах автоматизированного анализа тональности применяют алгоритмы машинного обучения, инструменты статистики и обработки естественного языка, что позволяет обрабатывать большие массивы текста, включая веб-страницы, онлайн-новости, тексты дискуссионных групп в сети Интернет, онлайн-обзоры, веб-блоги и социальные медиа.

Семантические тезаурусы

Существует ряд тезаурусов, специально размеченных с учётом эмоциональной составляющей. Такие словари, описанные далее, необходимы компьютерным программам при анализе тональности текста.

WordNet-Affect

Примером для разработки WordNet-Affect послужило многоязычное расширение WordNet, названное WordNet Domain[17]. В расширении WordNet Domain каждому синсету приписано не менее одной пометы предметной области (англ. «domain label»), например: спорт, политика, медицина. Всего в иерархически организованную структуру было включено около двухсот предметных помет[18].

WordNet-Affect — это семантический тезаурус, в котором понятия, связанные с эмоциями, («эмоциональные концепты», англ. «affective concepts») представлены с помощью слов, обладающих эмоциональной составляющей («эмоциональные слова», англ. «affective words»)[17]. WordNet-Affect состоит из такого подмножества синсетов[19] WordNet, где каждый синсет, соответствующий «эмоциональному концепту», может быть представлен с помощью «эмоциональных слов»[17].

Таким образом, WordNet-Affect был создан на основе WordNet для английского языка (также существуют версии WordNet-Affect и для других языков[20]) путём выбора и отнесения наборов синонимов (синсетов) к различным эмоциональным понятиям. В частности, синсеты глаголов, существительных, прилагательных, наречий, которые представляют собой описание эмоций, были вручную размечены с помощью специальных эмоциональных меток (affective labels, A-labels)[21]. Эти эмоциональные метки характеризуют различные состояния, выражающие настроения, эмоциональные отклики, или ситуации, которые вызывают эмоции[21]. Примеры таких эмоциональных меток приведены в следующей таблице[22]

Эмоциональная метка Пример
Эмоция(emotion) сущ. гнев#1, гл. бояться#1 (fear)
Настроение(mood) сущ. враждебность#1 (animosisy), прил. любезный#1J (amiable)
Особенность(trait) сущ. агрессивность#1 (aggressiveness), прил. соперничающий#1 (competitive)
Когнитивное состояние(cognitive state) сущ. замешательство#2 (confusion), прил. потрясенный#2 (dazed)
Физическое состояние(physical state) сущ.хворь#1 ( llness), прил. выдохнувшийся#1 (all in)
Гедонический сигнал(gedonic signal) сущ. боль#3(hurt), сущ. страдание#4 (suffering)
Ситуации, вызывающие эмоции (emotion-eliciting situation) сущ. неловкость#3 (awkwardness), сущ. безопасность#1 (out of danger)
Эмоциональные отклики(emotional responses) сущ. холодный пот#1 (cold sweat), гл. дрожать#2 (tremble)
Поступки(behaviour) сущ. преступление#1 (offense), прил. заторможенный#1 (inhibited)
Отношение, позиция(attitude) сущ. нетерпимость#1 (intolerance), сущ. оборонительная позиция#1 (defensive)
Чувство(sensation) сущ. холод#1 (coldness), гл. чувствовать#3 (feel)

Также в WordNet-Affect используются дополнительные эмоциональные метки для того, чтобы разделять синсеты в соответствии с их эмоциональной валентностью. Для этого определяются четыре дополнительные эмоциональные метки: позитивная, негативная, неоднозначная и нейтральная[21]. Первая соответствует положительным эмоциям, которые определяются как эмоциональные состояния, характеризующиеся наличием положительных гедонистических сигналов (или удовольствия). Она включает в себя такие синсеты как радость#1 или увлечение#1. Аналогично негативная метка идентифицирует негативные эмоции, характеризующиеся отрицательными гедонистическими сигналами (или боли), например, гнев#1 или печаль#1. Синсеты, представляющие эмоциональные состояния, валентность которых зависит от семантического контекста (например, удивление#1) помечаются как неоднозначные. Наконец, синсеты, определяющие психологические состояния, и которые всегда рассматриваются как неоднозначные, но при этом не характеризуются валентностью, являются нейтральными[21].

Синсеты, помеченные эмоциональными метками, дополнительно переразмечаются шестью эмоциональными категориями: радость, страх, гнев, печаль, отвращение, удивление. Таким образом, физическая структура WordNet-Affect состоит из шести файлов: anger.txt, disgust.txt, fear.txt, joy.txt, sadness.txt, surprise.txt, где каждый файл представляет собой описание какой-либо категории[23]. На данный момент WordNet-Affect содержит 2,874 синсетов и 4,787 слов[24].

Учёные Технического университета Молдовы перевели синсеты WordNet-Affect с английского на русский и румынский языки, выполнили их выравнивание: английский — румынский — русский[25]. Ресурс доступен онлайн для исследовательских целей[23].

SentiWordNet

SentiWordNet — это лексический семантический тезаурус, первая версия которого была разработана в 2006 году.[26] На данный момент самой последней версией SentiWordNet является SentiWordNet 3.0[26], использование которой дает более чем 20 % прирост точности по сравнению с первой версией[26].

Данная система является результатом процесса автоматического аннотирования каждого WordNet синсета(набора синонимов) в соответствии с его степенью позитивности, негативности, и объективности[27]. Таким образом, каждому синонимическому ряду из WordNet присваивается три численных оценки, где каждая из этих оценок соответственно определяет объективную, позитивную или негативную составляющую синсета[26]. Каждая из этих оценок принимает значения в интервале от 0 до 1, и в сумме дают 1(единицу), то есть каждая их этих оценок может иметь ненулевое значение[26]. Термы, которые могут иметь различные значения могут иметь различные значения оценок[26].

Процесс обучения SentiWordNet состоял из двух шагов:[28].

  1. На первом шаге разработки системы были использованы методы машинного обучения со слабым (частичным участием учителя (semi-supervised learning)) для первичного наполнения. Вначале было выбрано небольшое множество синсетов, которому вручную были присвоены численные оценки. Затем на основе этого множества было обучено несколько классификаторов, задачей которых является определение степени позитивности, негативности, и объективности синсета. После этого, через полученные модели классификаторов, были определены численные оценки для каждого WordNet синсета.[28]
  2. К данным, полученным на первом шаге, была применена модель случайного блуждания(random-walk step), в результате работы которой были установлены окончательные оценки объективной, позитивной или негативной составляющих каждого синсета. Подробнее об этом этапе вы можете прочитать в следующей работе[29].

SentiWordNet распространяется по лицензии CC BY-SA 3.0. Эта лицензия позволяет свободно использовать SentiWordNet в коммерческих и научных целях при условии указании имен создателей.[27] Любой желающий может самостоятельно загрузить файлы SentiWordNet с официального сайта бесплатно. Также можно загрузить небольшой Java класс, демонстрирующую работу с SentiWordNet[27].

SenticNet

SenticNet представляет собой еще один семантический тезаурус для работы с наборами эмоциональных понятий. SenticNet является проектом, запущенным в медиа-лаборатории Массачусетского технологического института в 2010 году [30]. С тех пор, проект SenticNet получил дальнейшее развитие и применяется для проектирования интеллектуальных приложений, предназначенных для анализа эмоциональной составляющей текста и охватывающих спектр задач от data mining до организации взаимодействия человека с компьютером [30]. Главным назначением SenticNet является упрощение процедуры машинного распознавания концептуальной и эмоциональной информации, передаваемой с помощью естественного языка [30]. Если сравнить другие лексические тезаурусы, такие как SentiWordNet и WordNet-Affect с SenticNet, то их главным различием будет то, что SentiWordNet и WordNet-Affect обеспечивают связывание слов и эмоциональных понятий на синтаксическом уровне, не позволяя выявлять смысловую составляющую, например, «достижение цели», «нехорошее чувство», «отпраздновать особый случай», «потерять самообладание» или «быть на седьмом небе от счастья», в то время как SenticNet связывает понятия на семантическом уровне[31].

Последней версией является SenticNet 2[32]. В отличие от версии SenticNet 1[32], которая просто присваивает значение тональности примерно 5700 понятиям из корпуса OpenMind, SenticNet 2 обеспечивает связывание семантики и «sentics» (то есть, когнитивной и «эмоциональной» информации) с более чем 14000 понятий и позволяет проводить более глубокий и многогранный анализ текста на естественном языке по сравнению с SenticNet 1[32]. SenticNet 2 построен с помощью «sentic-вычислений», парадигмы, которая использует методы ИИ и семантической паутины для улучшения распознавания, интерпретации и обработки мнений на естественном языке[32].

«Sentic-вычисления» представляют собой междисциплинарный подход к анализу тональности текста на перекрестке между «affect computing» и «common sense computing»[33]. Под термином «common sense computing» подразумевается ряд инициатив, направленных на то, чтобы в компьютерах были представлены знания об всём на свете в том виде, как их понимает человек, и чтобы компьютеры были в состоянии строить логические выводы на основе этих знаний[34]. Такой междисциплинарный подход предполагает использование средств информационных и социальных наук для улучшения распознавания, интерпретации и обработки мнений и чувств[33]. В частности, Sentic вычисления предполагают использование методов искусственного интеллекта и семантической паутины — для представления знаний и их вывода; математику — для решения таких задач как обработка графов и понижение размерности; лингвистику — для дискурсивного анализа и прагматики; психологию — для познавательного и эмоционального моделирования; социологию — для понимания динамики социальных сетей и социального влияния; и наконец этику — для понимания природы ума и создания эмоциональных машин. «Sentic-вычисления» позволяют проводить анализ документов не только на уровне целых страниц и текстов, но и на уровне предложений, что позволяет оценивать тексты на более высоком уровне детализации[33].

Для того чтобы представить данные SenticNet в машиночитаемом виде, удобном для обработки компьютерными программами, данные кодируются в RDF-триплеты с использованием синтаксиса XML. Пример XML-файла для концепта «love» можно посмотреть на сайте проекта по следующей ссылке[35]. Например, если в процессе работы приложения встретится такое понятие как «день рождения», то SenticNet отнесёт его к понятию высокого уровня «события» и свяжет с набором семантически близких понятий, например, «сладкий», «дружеский сюрприз» или «клоун» (которые могут быть использованы в качестве источника дополнительной/контекстной информации, чтобы улучшить результаты поиска)[36]. SenticNet также сопоставляет каждому понятию «sentic-вектор» с численными значениями таких величин, как Pleasantness (приятность), Attention (внимание), Sensitivity (чуткость) and Aptitude(способность)[37], а также величину тональности (для таких задач, как анализ тональности текста), основное и дополнительное настроение, а также набор эмоционально близких понятий, например, «праздник» или «особый случай» (для таких задач, как определение тональности текста)[36].

Любой желающий может свободно скачать SenticNet 2 с официального сайта[38].

Методы классификации тональности

Методы, основанные на правилах и словарях

Этот метод основан на поиске эмотивной лексики[39] (лексической тональности) в тексте по заранее составленным тональным словарям и правилам с применением лингвистического анализа. По совокупности найденной эмотивной лексики текст может быть оценен по шкале, содержащей количество негативной и позитивной лексики. Данный метод может использовать как списки правил, подставляемые в регулярные выражения, так и специальные правила соединения тональной лексики внутри предложения. Чтобы проанализировать текст, можно воспользоваться следующим алгоритмом: сначала каждому слову в тексте присвоить его значение тональности из словаря (если оно присутствует в словаре), а затем вычислить общую тональность всего текста путём суммирования значения тональностей каждого отдельного предложения[39].

Основной проблемой методов, основанных на словарях и правилах, считается трудоёмкость процесса составления словаря. Для того, чтобы получить метод, классифицирующий документ с высокой точностью, термины словаря должны иметь вес, адекватный предметной области документа. Например, слово «огромный» по отношению к объему памяти жёсткого диска является положительной характеристикой, но отрицательной по отношению к размеру мобильного телефона. Поэтому данный метод требует значительных трудозатрат, так как для хорошей работы системы необходимо составить большое количество правил. Существует ряд подходов, позволяющих автоматизировать составление словарей для конкретной предметной области (например, тематика ресторанов или тематика мобильных телефонов)[40].

Машинное обучение с учителем

В наше время наиболее часто используемыми в исследованиях методами являются методы на основе машинного обучения с учителем. Сутью таких методов является то, что на первом этапе обучается машинный классификатор (например, байесовский[41]) на заранее размеченных текстах, а затем используют полученную модель при анализе новых документов. Опишем краткий алгоритм[42]:

  1. вначале собирается коллекция документов, на основе которой обучается машинный классификатор;
  2. каждый документ раскладывается в виде вектора признаков(аспектов), по которым он будет исследоваться;
  3. указывается правильный тип тональности для каждого документа;
  4. производится выбор алгоритма классификации и метод для обучения классификатора;
  5. полученную модель используем для определения тональности документов новой коллекции.

Машинное обучение без учителя

В основе этого подхода лежит идея, что термины, которые чаще встречаются в этом тексте и в то же время присутствуют в небольшом количестве текстов во всей коллекции имеют наибольший вес в тексте. Выделив данные термины, а затем определив их тональность, можно сделать вывод о тональности всего текста[41].

Метод, основанный на теоретико-графовых моделях

В основе этого метода используется предположение о том, что не все слова в текстовом корпусе документа равнозначны. Какие-то слова имеют больший вес и сильнее влияют на тональность текста. При использовании этого метода анализ тональности разбивается на несколько этапов:

  1. построение графа на основе исследуемого текста;
  2. ранжирование его вершин;
  3. классификация найденных слов;
  4. вычисление результата.

Подробнее о пунктах 1 и 2 вы можете прочитать в работе «Извлечение терминов из русскоязычных текстов при помощи графовых моделей» Д. А. Усталова[43].

Для классификации слов используется тональный словарь, в котором каждому слову соотносится оценка, например «положительная», «отрицательная» или «нейтральная». Для получения конечного результата нужно вычислить значения двух оценок: положительной составляющей текста и отрицательной. Для того, чтобы найти положительную составляющую текста необходимо найти сумму тональностей всех положительных терминов текста с учетом их веса. Значение отрицательной составляющей текста находится аналогичным образом. Для итоговой оценки тональности всего текста нужно вычислить отношение этих составляющих по формуле: <math>T=P/N</math>, где T — итоговая оценка тональности, P — оценка положительной составляющей текста и N — негативная составляющая текста. В соответствии со статьёй Меньшикова[44], текст, в котором значение T близко к единице, будет считаться нейтральным, если немного превосходит 1 — положительным. Если сильно превосходит 1, то сильно положительным. Обратное верно и для текстов отрицательной тональности[45]. Более подробно данный метод рассмотрен в работах Голдберга[46] и Пономарёвой[47].

Оценка качества анализа тональности

Точность и качество системы анализа тональности текста оценивается тем, насколько хорошо она согласуется с мнением человека относительно эмоциональной оценки исследуемого текста. Для этого могут использоваться такие метрики как точность и полнота[48]. Формула для нахождения полноты:

<math>R=\frac{\text{correctly extracted opinions}}{\text{total number of opinions}} </math>

где correctly extracted opinions — верно определённые мнения, total number of opinions — общее количество мнений(как найденных системой, так и не найденных)[48]. Точность вычисляется по формуле[48]:

<math>P=\frac{\text{correctly extracted opinions}}{\text{total number of opinions found by system}} </math>

где correctly extracted opinions — верно определённые мнения, total number of opinions found by system — общее количество мнений найденных системой[48]. Таким образом, точность выражает количество исследуемых текстов, предложений или документов, в оценке которых мнение системы анализа тональности совпало с мнением эксперта. При этом, согласно исследованию, эксперты обычно соглашаются в оценках тональности конкретного текста в 79 % случаев[49]. Следовательно, программа, которая определяет тональность текста с точностью 70 %, делает это почти так же хорошо, как и человек.

См. также

Напишите отзыв о статье "Анализ тональности текста"

Примечания

  1. ↑ Pang, Lee, 2008, p. 6.
  2. ↑ 1 2 Bing Liu, 2010, p. 5.
  3. ↑ Bing Liu, 2010, p. 2.
  4. ↑ 1 2 Pang, Lee, 2008, p. 16-17.
  5. ↑ Bollen,Mao,J.Zeng, 2010.
  6. ↑ Pang, Lee, 2008.
  7. ↑ 1 2 Turney, 2002.
  8. ↑ Pang, Lee, Vaithyanathan, 2002.
  9. ↑ Pang, Lee, 2005.
  10. ↑ 1 2 Snyder, Barzilay, 2007.
  11. ↑ Thelwall et al, 2010.
  12. ↑ 1 2 Su, Markert, 2008, p. 1.
  13. ↑ Pang, Lee, 2004, p. 7.
  14. ↑ Bing Liu, 2010.
  15. ↑ Turney, 2002, p. 2-3.
  16. ↑ Washington.
  17. ↑ 1 2 3 Strapparava, 2004, с. 1083.
  18. ↑ Magnini et al, 2000.
  19. ↑ Синсет (synset) — набор синонимов.
  20. ↑ Bobicev, 2010, с. 1.
  21. ↑ 1 2 3 4 WordNet-Affect.
  22. ↑ Strapparava, 2004, с. 1086.
  23. ↑ 1 2 WordNet-Affect ru.
  24. ↑ Strapparava, 2004, с. 1084.
  25. ↑ Bobicev, 2010.
  26. ↑ 1 2 3 4 5 6 Stefano Baccianella, 2010, с. 2200.
  27. ↑ 1 2 3 SentiWordNet.
  28. ↑ 1 2 Stefano Baccianella, 2010, с. 2201.
  29. ↑ Stefano Baccianella, 2010, с. 2201-2202.
  30. ↑ 1 2 3 SenticNet.
  31. ↑ Erik Cambria, 2012.
  32. ↑ 1 2 3 4 Erik Cambria, 2012, с. 202.
  33. ↑ 1 2 3 Erik Cambria, 2012, с. 203.
  34. ↑ Erik Cambria 2009, 2009, с. 1.
  35. ↑ SenticNet api love.
  36. ↑ 1 2 Erik Cambria, 2012, с. 205.
  37. ↑ SenticNet api.
  38. ↑ SenticNet main.
  39. ↑ 1 2 Пазельская, 2011, с. 512.
  40. ↑ Chetviorkin, 2012.
  41. ↑ 1 2 Klecovina, Kotelnikov, 2012, с. 81.
  42. ↑ Klecovina, Kotelnikov, 2012.
  43. ↑ Усталов, 2012.
  44. ↑ Меньшиков, 2012, с. 1-3.
  45. ↑ Меньшиков, 2012, с. 3-4.
  46. ↑ Goldberg, Zhu, 2006.
  47. ↑ Ponomareva, Thelwall, 2012.
  48. ↑ 1 2 3 4 Nozomi Kobayashi, 2006, p. 4.
  49. ↑ Ogneva.

Литература

  • Stefano Baccianella [www.lrec-conf.org/proceedings/lrec2010/pdf/769_Paper.pdf Sentiwordnet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining] (англ.) // Proceedings of LREC : конференция. — 2010. — P. 2200–2204.
  • Victoria Bobicev, Victoria Maxim, Tatiana Prodan, Natalia Burciu, Victoria Angheluş [lilu.fcim.utm.md/RoRUWNAffect.pdf Emotions in words: developing a multilingual WordNet-Affect] (англ.) : CICLing 2010, Iași, Romania. — 2010. — P. 1-10.
  • J.Bollen, H.Mao, X.-J.Zeng [arxiv.org/PS_cache/arxiv/pdf/1010/1010.3003v1.pdf Twitter mood predicts the stock market] (англ.) // JTechnical Report arXiv:1010.3003, CoRR : журнал. — 2010.
  • Erik Cambria [aaai.org/ocs/index.php/FLAIRS/FLAIRS12/paper/viewFile/4411/4794 SenticNet 2: A semantic and affective resource for opinion mining and sentiment analysis] (англ.) // Proceedings of AAAI FLAIRS : конференция. — 2012. — P. 202–207.
  • Erik Cambria, Amir Hussain, Catherine Havasi, and Chris Eckl [sentic.net/common-sense-computing.pdf Common Sense Computing: from the Society of Mind to Digital Intuition and Beyond] (англ.) // Biometric ID Management and Multimodal Communication Lecture Notes in Computer Science : журнал. — 2009. — P. 252-259.
  • Andrew Goldberg, Xiaojin Zhu [pages.cs.wisc.edu/~jerryzhu/pub/sslsa.pdf Seeing stars when there aren’t many stars:Graph-based semi-supervised learning for sentiment categorization] (англ.) // Proceedings of the First Workshop on Graph Based Methods for Natural Language Processing,Computer Sciences Department University of Wisconsin-Madison : конференция. — 2006. — P. 45-52.
  • Minqing Hu, Bing Liu [citeseerx.ist.psu.edu/viewdoc/download?rep=rep1&type=pdf&doi=10.1.1.222.9730 Mining and Summarizing Customer Reviews] (англ.) // Proceedings of KDD : конференция. — 2004.
  • Nozomi Kobayashi, Ryu Iida, Kentaro Inui, Yuji Matsumoto [aaaipress.org/Papers/Symposia/Spring/2006/SS-06-03/SS06-03-018.pdf Opinion Mining on the Web by Extracting Subject-Aspect-Evaluation Relations] (англ.) // Nara Institute of Science and Technology, Takayama, Ikoma, Nara 630-0192, Japan : конференция. — 2006. — P. 1-6.
  • Bing Liu. Sentiment Analysis and Subjectivity // [www.cs.uic.edu/~liub/FBS/NLP-handbook-sentiment-analysis.pdf Handbook of Natural Language Processing] / под ред. N. Indurkhya и F. J. Damerau. — 2010.
  • Bernardo Magnini, Gabriela Cavaglia [www.lrec-conf.org/proceedings/lrec2000/pdf/219.pdf Integrating subject field codes into WordNet] (англ.) : LREC. — 2000.
  • Bo Pang, Lillian Lee, Shivakumar Vaithyanathan [www.cs.cornell.edu/home/llee/papers/sentiment.home.html Thumbs up? Sentiment Classification using Machine Learning Techniques] (англ.) // EMNLP. — 2002. — P. 79–86.
  • Bo Pang, Lillian Lee [www.cs.cornell.edu/home/llee/papers/cutsent.home.html A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts] (англ.) // Proceedings of the Association for Computational Linguistics (ACL) : журнал. — 2004. — P. 271–278.
  • Bo Pang, Lillian Lee [www.cs.cornell.edu/home/llee/papers/pang-lee-stars.pdf Seeing stars: exploiting class relationships for sentiment categorization with respect to rating scales] (англ.) // In Proceedings of the 43rd annual meeting of the Association for Computational Linguistics (ACL) : журнал. — University of Michigan, USA, 2005. — No. June 25–30. — P. 115–124.
  • Bo Pang, Lillian Lee [www.cs.cornell.edu/home/llee/omsa/omsa.pdf Opinion Mining and Sentiment Analysis] (англ.) // Foundations and Trends in Information Retrieval : журнал. — 2008. — No. 2. — P. 1-135.
  • Natalia Ponomareva, Mike Thelwall [aclweb.org/anthology//D/D12/D12-1060.pdf Do Neighbours Help? An Exploration of Graph-based Algorithms for Cross-domain Sentiment Classification] (англ.) // Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and omputational Natural Language Learning : конференция. — 2012. — P. 655–665.
  • Benjamin Snyder, Regina Barzilay [people.csail.mit.edu/bsnyder/papers/multi_aspect-snyder.pdf Multiple Aspect Ranking using the Good Grief Algorithm] (англ.) // Proceedings of the Joint Human Language Technology/North American Chapter of the ACL Conference (HLT-NAACL) : конференция. — 2007. — P. 300–307.
  • Carlo Strapparava, Alessandro Valitutti [hnk.ffzg.hr/bibl/lrec2004/pdf/369.pdf WordNet-Affect: an Affective Extension of WordNet] (англ.) : LREC. — 2004. — Vol. 4. — P. 1083–1086.
  • Fangzhong Su, Katja Markert [www.comp.leeds.ac.uk/markert/Papers/Coling2008.pdf From Words to Senses: a Case Study in Subjectivity Recognition] (англ.) // Proceedings of Coling, Manchester, UK. — 2008.
  • Thelwall Mike, Buckley Kevan, Paltoglou Georgios, Cai Di, Kappas Arvid [www.scit.wlv.ac.uk/~cm1993/papers/SentiStrengthPreprint.doc Sentiment strength detection in short informal text] (англ.) // Journal of the American Society for Information Science and Technology : журнал. — 2010. — P. 2544–2558.
  • Peter Turney [acl.ldc.upenn.edu/P/P02/P02-1053.pdf Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews] (англ.) // Proceedings of the Association for Computational Linguistics. — 2002. — P. 417–424. — arXiv:cs.LG/0212032.
  • David Yarowsky [acl.ldc.upenn.edu/P/P95/P95-1026.pdf Unsupervised Word Sense Disambiguation Rivaling Supervised Methods] (англ.) // Proceedings of the 33rd Annual Meeting of the Association for Computational Linguistics. Cambridge : конференция. — 1995.
  • М. В. Клековкина, Е.В. Котельников [ceur-ws.org/Vol-934/paper15.pdf Метод автоматической классификации текстов по тональности, основанный на словаре эмоциональной лексики] (рус.) // RCDL-2012, Переславль-Залесский, Россия : конференция. — 2012.
  • Илья Меньшиков [aistconf.org/stuff/aist2013/submissions/aist2013_submission_22.pdf Анализ тональности текста на русском языке при помощи графовых моделей] (рус.) // УРФУ, Екатеринбург, Россия : конференция. — 2012.
  • Анна Пазельская, Алексей Соловьев. [www.dialog-21.ru/digests/dialog2011/materials/ru/pdf/50.pdf Метод определения эмоций в текстах на русском языке] // The international conference on computational linguistics and intellectual technologies “Dialogue 2011” : конференция. — Москва, 2011. — С. 510 - 522.
  • Дмитрий Усталов [koost.eveel.ru/science/CSEDays2012.pdf Извлечение терминов из русскоязычных текстов при помощи графовых моделей] (рус.) // УРФУ, Екатеринбург, Россия : конференция. — 2012.
  • Ilia Chetviorkin, Natalia Loukachevitch [www.aclweb.org/anthology/C12-1037 Extraction of Russian Sentiment Lexicon for Product Meta-Domain] (англ.) // COLING : конференция. — 2012.

Ссылки

  • Washington, Erin. [growingsocialmedia.com/human-sentiment-analysis/ Human Sentiment Analysis] (англ.). Growing Social Media (14-11-2013). Проверено 11 декабря 2013.
  • Ogneva, M. [mashable.com/2010/04/19/sentiment-analysis/ How Companies Can Use Sentiment Analysis to Improve Their Business] (англ.). Mashable (13-12-2012). Проверено 11 декабря 2013.
  • [sentiwordnet.isti.cnr.it/ SentiWordNet] (англ.).
  • [sentic.net SenticNet] (англ.).
  • [sentic.net/api/en/concept/love/ SenticNet Example] (англ.).
  • [sentic.net/about/ SenticNet About] (англ.).
  • [sentic.net/api/ SenticNet API] (англ.).
  • [wndomains.fbk.eu/wnaffect.html WordNet-Affect] (англ.).
  • [lilu.fcim.utm.md/resourcesRoRuWNA_ru.html Румынский и русский WordNet-Affect] (рус.).

Отрывок, характеризующий Анализ тональности текста

– A t on distribue les biscuits et le riz aux regiments de la garde? [Роздали ли сухари и рис гвардейцам?] – строго спросил Наполеон.
– Oui, Sire. [Да, государь.]
– Mais le riz? [Но рис?]
Рапп отвечал, что он передал приказанья государя о рисе, но Наполеон недовольно покачал головой, как будто он не верил, чтобы приказание его было исполнено. Слуга вошел с пуншем. Наполеон велел подать другой стакан Раппу и молча отпивал глотки из своего.
– У меня нет ни вкуса, ни обоняния, – сказал он, принюхиваясь к стакану. – Этот насморк надоел мне. Они толкуют про медицину. Какая медицина, когда они не могут вылечить насморка? Корвизар дал мне эти пастильки, но они ничего не помогают. Что они могут лечить? Лечить нельзя. Notre corps est une machine a vivre. Il est organise pour cela, c'est sa nature; laissez y la vie a son aise, qu'elle s'y defende elle meme: elle fera plus que si vous la paralysiez en l'encombrant de remedes. Notre corps est comme une montre parfaite qui doit aller un certain temps; l'horloger n'a pas la faculte de l'ouvrir, il ne peut la manier qu'a tatons et les yeux bandes. Notre corps est une machine a vivre, voila tout. [Наше тело есть машина для жизни. Оно для этого устроено. Оставьте в нем жизнь в покое, пускай она сама защищается, она больше сделает одна, чем когда вы ей будете мешать лекарствами. Наше тело подобно часам, которые должны идти известное время; часовщик не может открыть их и только ощупью и с завязанными глазами может управлять ими. Наше тело есть машина для жизни. Вот и все.] – И как будто вступив на путь определений, definitions, которые любил Наполеон, он неожиданно сделал новое определение. – Вы знаете ли, Рапп, что такое военное искусство? – спросил он. – Искусство быть сильнее неприятеля в известный момент. Voila tout. [Вот и все.]
Рапп ничего не ответил.
– Demainnous allons avoir affaire a Koutouzoff! [Завтра мы будем иметь дело с Кутузовым!] – сказал Наполеон. – Посмотрим! Помните, в Браунау он командовал армией и ни разу в три недели не сел на лошадь, чтобы осмотреть укрепления. Посмотрим!
Он поглядел на часы. Было еще только четыре часа. Спать не хотелось, пунш был допит, и делать все таки было нечего. Он встал, прошелся взад и вперед, надел теплый сюртук и шляпу и вышел из палатки. Ночь была темная и сырая; чуть слышная сырость падала сверху. Костры не ярко горели вблизи, во французской гвардии, и далеко сквозь дым блестели по русской линии. Везде было тихо, и ясно слышались шорох и топот начавшегося уже движения французских войск для занятия позиции.
Наполеон прошелся перед палаткой, посмотрел на огни, прислушался к топоту и, проходя мимо высокого гвардейца в мохнатой шапке, стоявшего часовым у его палатки и, как черный столб, вытянувшегося при появлении императора, остановился против него.
– С которого года в службе? – спросил он с той привычной аффектацией грубой и ласковой воинственности, с которой он всегда обращался с солдатами. Солдат отвечал ему.
– Ah! un des vieux! [А! из стариков!] Получили рис в полк?
– Получили, ваше величество.
Наполеон кивнул головой и отошел от него.

В половине шестого Наполеон верхом ехал к деревне Шевардину.
Начинало светать, небо расчистило, только одна туча лежала на востоке. Покинутые костры догорали в слабом свете утра.
Вправо раздался густой одинокий пушечный выстрел, пронесся и замер среди общей тишины. Прошло несколько минут. Раздался второй, третий выстрел, заколебался воздух; четвертый, пятый раздались близко и торжественно где то справа.
Еще не отзвучали первые выстрелы, как раздались еще другие, еще и еще, сливаясь и перебивая один другой.
Наполеон подъехал со свитой к Шевардинскому редуту и слез с лошади. Игра началась.


Вернувшись от князя Андрея в Горки, Пьер, приказав берейтору приготовить лошадей и рано утром разбудить его, тотчас же заснул за перегородкой, в уголке, который Борис уступил ему.
Когда Пьер совсем очнулся на другое утро, в избе уже никого не было. Стекла дребезжали в маленьких окнах. Берейтор стоял, расталкивая его.
– Ваше сиятельство, ваше сиятельство, ваше сиятельство… – упорно, не глядя на Пьера и, видимо, потеряв надежду разбудить его, раскачивая его за плечо, приговаривал берейтор.
– Что? Началось? Пора? – заговорил Пьер, проснувшись.
– Изволите слышать пальбу, – сказал берейтор, отставной солдат, – уже все господа повышли, сами светлейшие давно проехали.
Пьер поспешно оделся и выбежал на крыльцо. На дворе было ясно, свежо, росисто и весело. Солнце, только что вырвавшись из за тучи, заслонявшей его, брызнуло до половины переломленными тучей лучами через крыши противоположной улицы, на покрытую росой пыль дороги, на стены домов, на окна забора и на лошадей Пьера, стоявших у избы. Гул пушек яснее слышался на дворе. По улице прорысил адъютант с казаком.
– Пора, граф, пора! – прокричал адъютант.
Приказав вести за собой лошадь, Пьер пошел по улице к кургану, с которого он вчера смотрел на поле сражения. На кургане этом была толпа военных, и слышался французский говор штабных, и виднелась седая голова Кутузова с его белой с красным околышем фуражкой и седым затылком, утонувшим в плечи. Кутузов смотрел в трубу вперед по большой дороге.
Войдя по ступенькам входа на курган, Пьер взглянул впереди себя и замер от восхищенья перед красотою зрелища. Это была та же панорама, которою он любовался вчера с этого кургана; но теперь вся эта местность была покрыта войсками и дымами выстрелов, и косые лучи яркого солнца, поднимавшегося сзади, левее Пьера, кидали на нее в чистом утреннем воздухе пронизывающий с золотым и розовым оттенком свет и темные, длинные тени. Дальние леса, заканчивающие панораму, точно высеченные из какого то драгоценного желто зеленого камня, виднелись своей изогнутой чертой вершин на горизонте, и между ними за Валуевым прорезывалась большая Смоленская дорога, вся покрытая войсками. Ближе блестели золотые поля и перелески. Везде – спереди, справа и слева – виднелись войска. Все это было оживленно, величественно и неожиданно; но то, что более всего поразило Пьера, – это был вид самого поля сражения, Бородина и лощины над Колочею по обеим сторонам ее.
Над Колочею, в Бородине и по обеим сторонам его, особенно влево, там, где в болотистых берегах Во йна впадает в Колочу, стоял тот туман, который тает, расплывается и просвечивает при выходе яркого солнца и волшебно окрашивает и очерчивает все виднеющееся сквозь него. К этому туману присоединялся дым выстрелов, и по этому туману и дыму везде блестели молнии утреннего света – то по воде, то по росе, то по штыкам войск, толпившихся по берегам и в Бородине. Сквозь туман этот виднелась белая церковь, кое где крыши изб Бородина, кое где сплошные массы солдат, кое где зеленые ящики, пушки. И все это двигалось или казалось движущимся, потому что туман и дым тянулись по всему этому пространству. Как в этой местности низов около Бородина, покрытых туманом, так и вне его, выше и особенно левее по всей линии, по лесам, по полям, в низах, на вершинах возвышений, зарождались беспрестанно сами собой, из ничего, пушечные, то одинокие, то гуртовые, то редкие, то частые клубы дымов, которые, распухая, разрастаясь, клубясь, сливаясь, виднелись по всему этому пространству.
Эти дымы выстрелов и, странно сказать, звуки их производили главную красоту зрелища.
Пуфф! – вдруг виднелся круглый, плотный, играющий лиловым, серым и молочно белым цветами дым, и бумм! – раздавался через секунду звук этого дыма.
«Пуф пуф» – поднимались два дыма, толкаясь и сливаясь; и «бум бум» – подтверждали звуки то, что видел глаз.
Пьер оглядывался на первый дым, который он оставил округлым плотным мячиком, и уже на месте его были шары дыма, тянущегося в сторону, и пуф… (с остановкой) пуф пуф – зарождались еще три, еще четыре, и на каждый, с теми же расстановками, бум… бум бум бум – отвечали красивые, твердые, верные звуки. Казалось то, что дымы эти бежали, то, что они стояли, и мимо них бежали леса, поля и блестящие штыки. С левой стороны, по полям и кустам, беспрестанно зарождались эти большие дымы с своими торжественными отголосками, и ближе еще, по низам и лесам, вспыхивали маленькие, не успевавшие округляться дымки ружей и точно так же давали свои маленькие отголоски. Трах та та тах – трещали ружья хотя и часто, но неправильно и бедно в сравнении с орудийными выстрелами.
Пьеру захотелось быть там, где были эти дымы, эти блестящие штыки и пушки, это движение, эти звуки. Он оглянулся на Кутузова и на его свиту, чтобы сверить свое впечатление с другими. Все точно так же, как и он, и, как ему казалось, с тем же чувством смотрели вперед, на поле сражения. На всех лицах светилась теперь та скрытая теплота (chaleur latente) чувства, которое Пьер замечал вчера и которое он понял совершенно после своего разговора с князем Андреем.
– Поезжай, голубчик, поезжай, Христос с тобой, – говорил Кутузов, не спуская глаз с поля сражения, генералу, стоявшему подле него.
Выслушав приказание, генерал этот прошел мимо Пьера, к сходу с кургана.
– К переправе! – холодно и строго сказал генерал в ответ на вопрос одного из штабных, куда он едет. «И я, и я», – подумал Пьер и пошел по направлению за генералом.
Генерал садился на лошадь, которую подал ему казак. Пьер подошел к своему берейтору, державшему лошадей. Спросив, которая посмирнее, Пьер взлез на лошадь, схватился за гриву, прижал каблуки вывернутых ног к животу лошади и, чувствуя, что очки его спадают и что он не в силах отвести рук от гривы и поводьев, поскакал за генералом, возбуждая улыбки штабных, с кургана смотревших на него.


Генерал, за которым скакал Пьер, спустившись под гору, круто повернул влево, и Пьер, потеряв его из вида, вскакал в ряды пехотных солдат, шедших впереди его. Он пытался выехать из них то вправо, то влево; но везде были солдаты, с одинаково озабоченными лицами, занятыми каким то невидным, но, очевидно, важным делом. Все с одинаково недовольно вопросительным взглядом смотрели на этого толстого человека в белой шляпе, неизвестно для чего топчущего их своею лошадью.
– Чего ездит посерёд батальона! – крикнул на него один. Другой толконул прикладом его лошадь, и Пьер, прижавшись к луке и едва удерживая шарахнувшуюся лошадь, выскакал вперед солдат, где было просторнее.
Впереди его был мост, а у моста, стреляя, стояли другие солдаты. Пьер подъехал к ним. Сам того не зная, Пьер заехал к мосту через Колочу, который был между Горками и Бородиным и который в первом действии сражения (заняв Бородино) атаковали французы. Пьер видел, что впереди его был мост и что с обеих сторон моста и на лугу, в тех рядах лежащего сена, которые он заметил вчера, в дыму что то делали солдаты; но, несмотря на неумолкающую стрельбу, происходившую в этом месте, он никак не думал, что тут то и было поле сражения. Он не слыхал звуков пуль, визжавших со всех сторон, и снарядов, перелетавших через него, не видал неприятеля, бывшего на той стороне реки, и долго не видал убитых и раненых, хотя многие падали недалеко от него. С улыбкой, не сходившей с его лица, он оглядывался вокруг себя.
– Что ездит этот перед линией? – опять крикнул на него кто то.
– Влево, вправо возьми, – кричали ему. Пьер взял вправо и неожиданно съехался с знакомым ему адъютантом генерала Раевского. Адъютант этот сердито взглянул на Пьера, очевидно, сбираясь тоже крикнуть на него, но, узнав его, кивнул ему головой.
– Вы как тут? – проговорил он и поскакал дальше.
Пьер, чувствуя себя не на своем месте и без дела, боясь опять помешать кому нибудь, поскакал за адъютантом.
– Это здесь, что же? Можно мне с вами? – спрашивал он.
– Сейчас, сейчас, – отвечал адъютант и, подскакав к толстому полковнику, стоявшему на лугу, что то передал ему и тогда уже обратился к Пьеру.
– Вы зачем сюда попали, граф? – сказал он ему с улыбкой. – Все любопытствуете?
– Да, да, – сказал Пьер. Но адъютант, повернув лошадь, ехал дальше.
– Здесь то слава богу, – сказал адъютант, – но на левом фланге у Багратиона ужасная жарня идет.
– Неужели? – спросил Пьер. – Это где же?
– Да вот поедемте со мной на курган, от нас видно. А у нас на батарее еще сносно, – сказал адъютант. – Что ж, едете?
– Да, я с вами, – сказал Пьер, глядя вокруг себя и отыскивая глазами своего берейтора. Тут только в первый раз Пьер увидал раненых, бредущих пешком и несомых на носилках. На том самом лужке с пахучими рядами сена, по которому он проезжал вчера, поперек рядов, неловко подвернув голову, неподвижно лежал один солдат с свалившимся кивером. – А этого отчего не подняли? – начал было Пьер; но, увидав строгое лицо адъютанта, оглянувшегося в ту же сторону, он замолчал.
Пьер не нашел своего берейтора и вместе с адъютантом низом поехал по лощине к кургану Раевского. Лошадь Пьера отставала от адъютанта и равномерно встряхивала его.
– Вы, видно, не привыкли верхом ездить, граф? – спросил адъютант.
– Нет, ничего, но что то она прыгает очень, – с недоуменьем сказал Пьер.
– Ээ!.. да она ранена, – сказал адъютант, – правая передняя, выше колена. Пуля, должно быть. Поздравляю, граф, – сказал он, – le bapteme de feu [крещение огнем].
Проехав в дыму по шестому корпусу, позади артиллерии, которая, выдвинутая вперед, стреляла, оглушая своими выстрелами, они приехали к небольшому лесу. В лесу было прохладно, тихо и пахло осенью. Пьер и адъютант слезли с лошадей и пешком вошли на гору.
– Здесь генерал? – спросил адъютант, подходя к кургану.
– Сейчас были, поехали сюда, – указывая вправо, отвечали ему.
Адъютант оглянулся на Пьера, как бы не зная, что ему теперь с ним делать.
– Не беспокойтесь, – сказал Пьер. – Я пойду на курган, можно?
– Да пойдите, оттуда все видно и не так опасно. А я заеду за вами.
Пьер пошел на батарею, и адъютант поехал дальше. Больше они не видались, и уже гораздо после Пьер узнал, что этому адъютанту в этот день оторвало руку.
Курган, на который вошел Пьер, был то знаменитое (потом известное у русских под именем курганной батареи, или батареи Раевского, а у французов под именем la grande redoute, la fatale redoute, la redoute du centre [большого редута, рокового редута, центрального редута] место, вокруг которого положены десятки тысяч людей и которое французы считали важнейшим пунктом позиции.
Редут этот состоял из кургана, на котором с трех сторон были выкопаны канавы. В окопанном канавами место стояли десять стрелявших пушек, высунутых в отверстие валов.
В линию с курганом стояли с обеих сторон пушки, тоже беспрестанно стрелявшие. Немного позади пушек стояли пехотные войска. Входя на этот курган, Пьер никак не думал, что это окопанное небольшими канавами место, на котором стояло и стреляло несколько пушек, было самое важное место в сражении.
Пьеру, напротив, казалось, что это место (именно потому, что он находился на нем) было одно из самых незначительных мест сражения.
Войдя на курган, Пьер сел в конце канавы, окружающей батарею, и с бессознательно радостной улыбкой смотрел на то, что делалось вокруг него. Изредка Пьер все с той же улыбкой вставал и, стараясь не помешать солдатам, заряжавшим и накатывавшим орудия, беспрестанно пробегавшим мимо него с сумками и зарядами, прохаживался по батарее. Пушки с этой батареи беспрестанно одна за другой стреляли, оглушая своими звуками и застилая всю окрестность пороховым дымом.
В противность той жуткости, которая чувствовалась между пехотными солдатами прикрытия, здесь, на батарее, где небольшое количество людей, занятых делом, бело ограничено, отделено от других канавой, – здесь чувствовалось одинаковое и общее всем, как бы семейное оживление.
Появление невоенной фигуры Пьера в белой шляпе сначала неприятно поразило этих людей. Солдаты, проходя мимо его, удивленно и даже испуганно косились на его фигуру. Старший артиллерийский офицер, высокий, с длинными ногами, рябой человек, как будто для того, чтобы посмотреть на действие крайнего орудия, подошел к Пьеру и любопытно посмотрел на него.
Молоденький круглолицый офицерик, еще совершенный ребенок, очевидно, только что выпущенный из корпуса, распоряжаясь весьма старательно порученными ему двумя пушками, строго обратился к Пьеру.
– Господин, позвольте вас попросить с дороги, – сказал он ему, – здесь нельзя.
Солдаты неодобрительно покачивали головами, глядя на Пьера. Но когда все убедились, что этот человек в белой шляпе не только не делал ничего дурного, но или смирно сидел на откосе вала, или с робкой улыбкой, учтиво сторонясь перед солдатами, прохаживался по батарее под выстрелами так же спокойно, как по бульвару, тогда понемногу чувство недоброжелательного недоуменья к нему стало переходить в ласковое и шутливое участие, подобное тому, которое солдаты имеют к своим животным: собакам, петухам, козлам и вообще животным, живущим при воинских командах. Солдаты эти сейчас же мысленно приняли Пьера в свою семью, присвоили себе и дали ему прозвище. «Наш барин» прозвали его и про него ласково смеялись между собой.
Одно ядро взрыло землю в двух шагах от Пьера. Он, обчищая взбрызнутую ядром землю с платья, с улыбкой оглянулся вокруг себя.
– И как это вы не боитесь, барин, право! – обратился к Пьеру краснорожий широкий солдат, оскаливая крепкие белые зубы.
– А ты разве боишься? – спросил Пьер.
– А то как же? – отвечал солдат. – Ведь она не помилует. Она шмякнет, так кишки вон. Нельзя не бояться, – сказал он, смеясь.
Несколько солдат с веселыми и ласковыми лицами остановились подле Пьера. Они как будто не ожидали того, чтобы он говорил, как все, и это открытие обрадовало их.
– Наше дело солдатское. А вот барин, так удивительно. Вот так барин!
– По местам! – крикнул молоденький офицер на собравшихся вокруг Пьера солдат. Молоденький офицер этот, видимо, исполнял свою должность в первый или во второй раз и потому с особенной отчетливостью и форменностью обращался и с солдатами и с начальником.
Перекатная пальба пушек и ружей усиливалась по всему полю, в особенности влево, там, где были флеши Багратиона, но из за дыма выстрелов с того места, где был Пьер, нельзя было почти ничего видеть. Притом, наблюдения за тем, как бы семейным (отделенным от всех других) кружком людей, находившихся на батарее, поглощали все внимание Пьера. Первое его бессознательно радостное возбуждение, произведенное видом и звуками поля сражения, заменилось теперь, в особенности после вида этого одиноко лежащего солдата на лугу, другим чувством. Сидя теперь на откосе канавы, он наблюдал окружавшие его лица.
К десяти часам уже человек двадцать унесли с батареи; два орудия были разбиты, чаще и чаще на батарею попадали снаряды и залетали, жужжа и свистя, дальние пули. Но люди, бывшие на батарее, как будто не замечали этого; со всех сторон слышался веселый говор и шутки.
– Чиненка! – кричал солдат на приближающуюся, летевшую со свистом гранату. – Не сюда! К пехотным! – с хохотом прибавлял другой, заметив, что граната перелетела и попала в ряды прикрытия.
– Что, знакомая? – смеялся другой солдат на присевшего мужика под пролетевшим ядром.
Несколько солдат собрались у вала, разглядывая то, что делалось впереди.
– И цепь сняли, видишь, назад прошли, – говорили они, указывая через вал.
– Свое дело гляди, – крикнул на них старый унтер офицер. – Назад прошли, значит, назади дело есть. – И унтер офицер, взяв за плечо одного из солдат, толкнул его коленкой. Послышался хохот.
– К пятому орудию накатывай! – кричали с одной стороны.
– Разом, дружнее, по бурлацки, – слышались веселые крики переменявших пушку.
– Ай, нашему барину чуть шляпку не сбила, – показывая зубы, смеялся на Пьера краснорожий шутник. – Эх, нескладная, – укоризненно прибавил он на ядро, попавшее в колесо и ногу человека.
– Ну вы, лисицы! – смеялся другой на изгибающихся ополченцев, входивших на батарею за раненым.
– Аль не вкусна каша? Ах, вороны, заколянились! – кричали на ополченцев, замявшихся перед солдатом с оторванной ногой.
– Тое кое, малый, – передразнивали мужиков. – Страсть не любят.
Пьер замечал, как после каждого попавшего ядра, после каждой потери все более и более разгоралось общее оживление.
Как из придвигающейся грозовой тучи, чаще и чаще, светлее и светлее вспыхивали на лицах всех этих людей (как бы в отпор совершающегося) молнии скрытого, разгорающегося огня.
Пьер не смотрел вперед на поле сражения и не интересовался знать о том, что там делалось: он весь был поглощен в созерцание этого, все более и более разгорающегося огня, который точно так же (он чувствовал) разгорался и в его душе.
В десять часов пехотные солдаты, бывшие впереди батареи в кустах и по речке Каменке, отступили. С батареи видно было, как они пробегали назад мимо нее, неся на ружьях раненых. Какой то генерал со свитой вошел на курган и, поговорив с полковником, сердито посмотрев на Пьера, сошел опять вниз, приказав прикрытию пехоты, стоявшему позади батареи, лечь, чтобы менее подвергаться выстрелам. Вслед за этим в рядах пехоты, правее батареи, послышался барабан, командные крики, и с батареи видно было, как ряды пехоты двинулись вперед.
Пьер смотрел через вал. Одно лицо особенно бросилось ему в глаза. Это был офицер, который с бледным молодым лицом шел задом, неся опущенную шпагу, и беспокойно оглядывался.
Ряды пехотных солдат скрылись в дыму, послышался их протяжный крик и частая стрельба ружей. Через несколько минут толпы раненых и носилок прошли оттуда. На батарею еще чаще стали попадать снаряды. Несколько человек лежали неубранные. Около пушек хлопотливее и оживленнее двигались солдаты. Никто уже не обращал внимания на Пьера. Раза два на него сердито крикнули за то, что он был на дороге. Старший офицер, с нахмуренным лицом, большими, быстрыми шагами переходил от одного орудия к другому. Молоденький офицерик, еще больше разрумянившись, еще старательнее командовал солдатами. Солдаты подавали заряды, поворачивались, заряжали и делали свое дело с напряженным щегольством. Они на ходу подпрыгивали, как на пружинах.
Грозовая туча надвинулась, и ярко во всех лицах горел тот огонь, за разгоранием которого следил Пьер. Он стоял подле старшего офицера. Молоденький офицерик подбежал, с рукой к киверу, к старшему.
– Имею честь доложить, господин полковник, зарядов имеется только восемь, прикажете ли продолжать огонь? – спросил он.
– Картечь! – не отвечая, крикнул старший офицер, смотревший через вал.
Вдруг что то случилось; офицерик ахнул и, свернувшись, сел на землю, как на лету подстреленная птица. Все сделалось странно, неясно и пасмурно в глазах Пьера.
Одно за другим свистели ядра и бились в бруствер, в солдат, в пушки. Пьер, прежде не слыхавший этих звуков, теперь только слышал одни эти звуки. Сбоку батареи, справа, с криком «ура» бежали солдаты не вперед, а назад, как показалось Пьеру.
Ядро ударило в самый край вала, перед которым стоял Пьер, ссыпало землю, и в глазах его мелькнул черный мячик, и в то же мгновенье шлепнуло во что то. Ополченцы, вошедшие было на батарею, побежали назад.
– Все картечью! – кричал офицер.
Унтер офицер подбежал к старшему офицеру и испуганным шепотом (как за обедом докладывает дворецкий хозяину, что нет больше требуемого вина) сказал, что зарядов больше не было.
– Разбойники, что делают! – закричал офицер, оборачиваясь к Пьеру. Лицо старшего офицера было красно и потно, нахмуренные глаза блестели. – Беги к резервам, приводи ящики! – крикнул он, сердито обходя взглядом Пьера и обращаясь к своему солдату.
– Я пойду, – сказал Пьер. Офицер, не отвечая ему, большими шагами пошел в другую сторону.
– Не стрелять… Выжидай! – кричал он.
Солдат, которому приказано было идти за зарядами, столкнулся с Пьером.
– Эх, барин, не место тебе тут, – сказал он и побежал вниз. Пьер побежал за солдатом, обходя то место, на котором сидел молоденький офицерик.
Одно, другое, третье ядро пролетало над ним, ударялось впереди, с боков, сзади. Пьер сбежал вниз. «Куда я?» – вдруг вспомнил он, уже подбегая к зеленым ящикам. Он остановился в нерешительности, идти ему назад или вперед. Вдруг страшный толчок откинул его назад, на землю. В то же мгновенье блеск большого огня осветил его, и в то же мгновенье раздался оглушающий, зазвеневший в ушах гром, треск и свист.
Пьер, очнувшись, сидел на заду, опираясь руками о землю; ящика, около которого он был, не было; только валялись зеленые обожженные доски и тряпки на выжженной траве, и лошадь, трепля обломками оглобель, проскакала от него, а другая, так же как и сам Пьер, лежала на земле и пронзительно, протяжно визжала.


Пьер, не помня себя от страха, вскочил и побежал назад на батарею, как на единственное убежище от всех ужасов, окружавших его.
В то время как Пьер входил в окоп, он заметил, что на батарее выстрелов не слышно было, но какие то люди что то делали там. Пьер не успел понять того, какие это были люди. Он увидел старшего полковника, задом к нему лежащего на валу, как будто рассматривающего что то внизу, и видел одного, замеченного им, солдата, который, прорываясь вперед от людей, державших его за руку, кричал: «Братцы!» – и видел еще что то странное.
Но он не успел еще сообразить того, что полковник был убит, что кричавший «братцы!» был пленный, что в глазах его был заколон штыком в спину другой солдат. Едва он вбежал в окоп, как худощавый, желтый, с потным лицом человек в синем мундире, со шпагой в руке, набежал на него, крича что то. Пьер, инстинктивно обороняясь от толчка, так как они, не видав, разбежались друг против друга, выставил руки и схватил этого человека (это был французский офицер) одной рукой за плечо, другой за гордо. Офицер, выпустив шпагу, схватил Пьера за шиворот.
Несколько секунд они оба испуганными глазами смотрели на чуждые друг другу лица, и оба были в недоумении о том, что они сделали и что им делать. «Я ли взят в плен или он взят в плен мною? – думал каждый из них. Но, очевидно, французский офицер более склонялся к мысли, что в плен взят он, потому что сильная рука Пьера, движимая невольным страхом, все крепче и крепче сжимала его горло. Француз что то хотел сказать, как вдруг над самой головой их низко и страшно просвистело ядро, и Пьеру показалось, что голова французского офицера оторвана: так быстро он согнул ее.
Пьер тоже нагнул голову и отпустил руки. Не думая более о том, кто кого взял в плен, француз побежал назад на батарею, а Пьер под гору, спотыкаясь на убитых и раненых, которые, казалось ему, ловят его за ноги. Но не успел он сойти вниз, как навстречу ему показались плотные толпы бегущих русских солдат, которые, падая, спотыкаясь и крича, весело и бурно бежали на батарею. (Это была та атака, которую себе приписывал Ермолов, говоря, что только его храбрости и счастью возможно было сделать этот подвиг, и та атака, в которой он будто бы кидал на курган Георгиевские кресты, бывшие у него в кармане.)
Французы, занявшие батарею, побежали. Наши войска с криками «ура» так далеко за батарею прогнали французов, что трудно было остановить их.
С батареи свезли пленных, в том числе раненого французского генерала, которого окружили офицеры. Толпы раненых, знакомых и незнакомых Пьеру, русских и французов, с изуродованными страданием лицами, шли, ползли и на носилках неслись с батареи. Пьер вошел на курган, где он провел более часа времени, и из того семейного кружка, который принял его к себе, он не нашел никого. Много было тут мертвых, незнакомых ему. Но некоторых он узнал. Молоденький офицерик сидел, все так же свернувшись, у края вала, в луже крови. Краснорожий солдат еще дергался, но его не убирали.
Пьер побежал вниз.
«Нет, теперь они оставят это, теперь они ужаснутся того, что они сделали!» – думал Пьер, бесцельно направляясь за толпами носилок, двигавшихся с поля сражения.
Но солнце, застилаемое дымом, стояло еще высоко, и впереди, и в особенности налево у Семеновского, кипело что то в дыму, и гул выстрелов, стрельба и канонада не только не ослабевали, но усиливались до отчаянности, как человек, который, надрываясь, кричит из последних сил.


Главное действие Бородинского сражения произошло на пространстве тысячи сажен между Бородиным и флешами Багратиона. (Вне этого пространства с одной стороны была сделана русскими в половине дня демонстрация кавалерией Уварова, с другой стороны, за Утицей, было столкновение Понятовского с Тучковым; но это были два отдельные и слабые действия в сравнении с тем, что происходило в середине поля сражения.) На поле между Бородиным и флешами, у леса, на открытом и видном с обеих сторон протяжении, произошло главное действие сражения, самым простым, бесхитростным образом.
Сражение началось канонадой с обеих сторон из нескольких сотен орудий.
Потом, когда дым застлал все поле, в этом дыму двинулись (со стороны французов) справа две дивизии, Дессе и Компана, на флеши, и слева полки вице короля на Бородино.
От Шевардинского редута, на котором стоял Наполеон, флеши находились на расстоянии версты, а Бородино более чем в двух верстах расстояния по прямой линии, и поэтому Наполеон не мог видеть того, что происходило там, тем более что дым, сливаясь с туманом, скрывал всю местность. Солдаты дивизии Дессе, направленные на флеши, были видны только до тех пор, пока они не спустились под овраг, отделявший их от флеш. Как скоро они спустились в овраг, дым выстрелов орудийных и ружейных на флешах стал так густ, что застлал весь подъем той стороны оврага. Сквозь дым мелькало там что то черное – вероятно, люди, и иногда блеск штыков. Но двигались ли они или стояли, были ли это французы или русские, нельзя было видеть с Шевардинского редута.
Солнце взошло светло и било косыми лучами прямо в лицо Наполеона, смотревшего из под руки на флеши. Дым стлался перед флешами, и то казалось, что дым двигался, то казалось, что войска двигались. Слышны были иногда из за выстрелов крики людей, но нельзя было знать, что они там делали.
Наполеон, стоя на кургане, смотрел в трубу, и в маленький круг трубы он видел дым и людей, иногда своих, иногда русских; но где было то, что он видел, он не знал, когда смотрел опять простым глазом.
Он сошел с кургана и стал взад и вперед ходить перед ним.
Изредка он останавливался, прислушивался к выстрелам и вглядывался в поле сражения.
Не только с того места внизу, где он стоял, не только с кургана, на котором стояли теперь некоторые его генералы, но и с самых флешей, на которых находились теперь вместе и попеременно то русские, то французские, мертвые, раненые и живые, испуганные или обезумевшие солдаты, нельзя было понять того, что делалось на этом месте. В продолжение нескольких часов на этом месте, среди неумолкаемой стрельбы, ружейной и пушечной, то появлялись одни русские, то одни французские, то пехотные, то кавалерийские солдаты; появлялись, падали, стреляли, сталкивались, не зная, что делать друг с другом, кричали и бежали назад.
С поля сражения беспрестанно прискакивали к Наполеону его посланные адъютанты и ординарцы его маршалов с докладами о ходе дела; но все эти доклады были ложны: и потому, что в жару сражения невозможно сказать, что происходит в данную минуту, и потому, что многие адъютапты не доезжали до настоящего места сражения, а передавали то, что они слышали от других; и еще потому, что пока проезжал адъютант те две три версты, которые отделяли его от Наполеона, обстоятельства изменялись и известие, которое он вез, уже становилось неверно. Так от вице короля прискакал адъютант с известием, что Бородино занято и мост на Колоче в руках французов. Адъютант спрашивал у Наполеона, прикажет ли он пореходить войскам? Наполеон приказал выстроиться на той стороне и ждать; но не только в то время как Наполеон отдавал это приказание, но даже когда адъютант только что отъехал от Бородина, мост уже был отбит и сожжен русскими, в той самой схватке, в которой участвовал Пьер в самом начале сраженья.


Источник — «http://wiki-org.ru/wiki/index.php?title=Анализ_тональности_текста&oldid=81257098»