论文 A Unified Graph Model for Sentence-based Opinion Retrieval (10 ACL, Binyang Li, Lanjun Zhou)
文章的核心思想是提出了一种基于topic-sentiment word pair的结构进行句子级情感检索（个人理解其实就是评价搭配用到了情感检索上）。可以挖掘句内的target和opinion组成的pair，对于句间可以挖掘针对同一topic的不同opinion；最终使用一个无向图将两种信息融合起来。
Introduction + Motivation（值得学习）
以往的情感检索大多是2-stage的方法。第一步是计算文档性分值，如tf-idf；第二步是计算情感分值（可以通过SVM分类器或者通过带权重的情感词典）；最终将相关性分值和情感分值结合(Scoredoc = Scorerel + Scoreop)，并对文档进行重排序。作者指出以往2-stage方法中大多使用bag-of-words表示文档，忽略了上下文信息，并指出句子中包含的情感可能并不是针对当前topic的；此外，当前并没有一种方法可以挖掘针对同一topic的不同opinion。
使用资源
这里用到了两个词典，分别是情感词词典Vo和主题词词典Vt。
Vo结合了3个已有的情感词典资源。
Vt使用两种方法生成，一种是基于词典的方法，即用Wikipedia进行同义词和词频统计扩充，wiki返回页中前k个频率最高的词条；另一种是基于伪相关反馈，即基于web的方法，针对一个query在前n个返回文档中取前m个主题词。
图模型（核心）
对于每个情感词，找与其最近的搭配，并且用距离来度量这个搭配的紧密程度。同时，一个句子只抽取一个搭配对（为什么必须要这么限制呢？？），并且是间距最小的搭配对。如果一个句子不包含搭配对，就认为是没有情感。
HITS模型
总体来说，HITS模型是一个二部图，图的两层分别为Hubs和Authority，在文章中target-opinion组成的pair作为Hubs，文档Doc作为Authorities，每个Doc由多个sentence组成；若一个pair出现在doc中，则对应pair和doc之间连接一条边。
每一条边的权重是由相关性分值和情感分值结合而成的，通过迭代计算直至整个图模型平衡。并按照Authority的分值对doc进行排序。
Related Work看的不是很仔细，读着有点迷惑~~~待再细读