一、篇章分析介绍：
（1）篇章分析：形式上互相链接、语义上前后连贯的句子序列。
（2）篇章内容：
这三种数据都属于篇章范畴内容，一些影评数据等也属于篇章内容。
二、篇章分析的主要任务：
（1）篇章主题拆分（基础分析）
（2）内容标签：给文档打上能够体现关键信息的标签
（3）自动摘要：为文本生成表示其主要内容的摘要
（4）篇章结构分析（基础分析）
（5）情感分析：分析用户数据，分析用户情感，挖掘用户的观点
（6）文本问答：从篇章中提取出能够回答文本中问题的片段
三、篇章分析应用：
（1）内容标签：标签概念比较广泛，在具体的应用场景中需求的标签也是不一样的，标签细粒度的划分下去能产生很多的标签，以及不同维度的标签，
例如实体、事件、关键词等标签，应用范围非常广泛。
内容标签主要作用信息展示和标签聚合。
信息展示：可以通过直接浏览标签词进而引动用户是否观看该内容，减少浪费用户时间。
标签聚合：将标签一致的关键词进行聚合之后，用户就可以对某一话题进行非常深入的理解。
内容标签主要作用个性化推荐和内容建模。
个性化推荐：用户搜索的内容以及浏览过的文章，通过标签技术提取主要的兴趣点，从而建立用户画像。
内容建模：通过标签对内容建模，进而提取出文章中的关键信息标签。用户画像和内容模型进行精准匹配就可以进行非常好的个性化推荐。
建立标签体系：这个需要结合具体的业务场景进行不同需求的标签体系建立，下面的例子左侧是建立的标签体系，右侧是不同内容计算出的具体标题下的内容标签，主题标签、话题标签、实体标签。
构建面向标签的知识图谱：将上面的标签构建成知识图谱，以便寻找到主题标签、话题标签、实体标签的关联关系，后期单独的沉淀一篇文档。
基于大数据分析构建知识图谱：
实体标签挖掘通过核心实体型抽取、长尾实体型抽取、新实体型抽取；
话题标签通过实体型话题抽取、普通话题抽取、时效性话题抽取；需要结合具体的业务进行标签的构建。
标签计算：主题分类目前采用神经网络技术，第一层，抽取简单的原始特征，第二层，通过embedding或者cnn，lstm等构造表示层，第三层，计算主题与文章的相似度。
优点：天然的支持多标记
通用标签：主要用于内容中的实体和话题，高频标签主要基于语义的相似度计算，可以计算出内容中不出现的关键词作为标签；中低频标签主要通过词频、词汇信息、句法结构、篇章信息等特征，通过gbdt算法进行特征排序，生成中低频标签，最终通过两种策略的融合。
（2）情感分析：对（文本的）观点、情感、情绪和评价进行分析计算
背景：近几年，随着互联网快速的发展，服务评论、商品评论、社交评论等剧增，这些数据有很大的商业价值，影响消费决策和舆情分析，可以让我们更加清晰的了解产品。
情感分析：主要可以拆分成情感分类、观点挖掘；
情感分类可以判断情感的极性，积极，消极，中性等；
观点挖掘主要包括观点对象、观点维度、情感倾向、观点持有者、时间，前三者是需要重点关注的，后两个比较容易获得。
- 情感分类方法：这个实现还是比较容易的，很多方法可以实现其功能。
- 观点抽取：这个实现需要具体在业务中尝试一下。
观点聚类：主要通过聚类、语法分析、搭配抽取等进行观点词表的建立；
观点抽取：一方面，基于情感搭配词表，进行语义的匹配，准确率高，但是覆盖率有限；另一方面，基于语义相似度计算，可以抽取出相近的词语。
- 观点摘要：主要综合了情感分类、观点抽取、观点挖掘的一些技术，获得一个整体的应用技术。通过一句话推荐理由，目标是为实体对象，生成具有吸引力，差异性大的推荐理由。例如，餐厅实体具有大量的评论，观点摘要的目标是生成这些评论的概括性描述。
观点摘要实现策略：首先将大量的评论数据进行情感分类，主要关注正向情感极性的词语，将这些词语排序后加入候选集合，取top几进行句子的融合，作为最终的推荐结果。
（3）自动摘要：
背景：大量的信息展现出来，需要我们快速的对信息进行概览和摘要，节省用户的时间，提升用户体验。
基本原理：对海量内容进行提炼和总结；通过简洁、直观的摘要来概括内容关注的主要内容；方便用户快速了解和理解海量的内容。
主要作用：便捷信息浏览；获得信息满足；进而选择是否进行信息的阅读和浏览，增强用户的体验，节省用户的时间。
自动摘要可以分成一下几种情况：
面向抽取式和压缩式摘要的策略：抽取是从原文中选取若干的句子，形成摘要；压缩在抽取的基础上，进行一定程度的简写，去除辅助成分，使得摘要更加的凝炼。
典型摘要计算流程：分析文档的单词、句子、段落等结构信息，进行文档句子的重要性打分，得到句子排序；考虑句子分数和句子的冗余度，选择一些句子，通过句子的修改，压缩，融合形成摘要。
新闻摘要实例：分析文章中的主要事件、关键词等，其中考虑标题和首句的重要性，进行句子排序，摘要生成。广泛用于用户资讯相关的产品。
篇章主题摘要实例：对篇章进行主题的划分，一个篇章划分成多个子话题，形成篇章整体摘要；为每个子话题生成摘要；保证了主题和子主题都存在摘要；如下所示：
问答摘要实例：主要原理计算候选问题和query的相关性；
基于词语对齐相关性：计算问题中的单词和候选片段中单词的相关性（其中可以发现天空和蓝色和散射现象相关性较强，推荐了散射的内容）；
基于dnn语义对齐的相关性方法：学习问题和句子的语义表示，计算语义相似度，确定候选句子是否合适作为候选句 