Esto suena como una tarea de clasificación binaria bastante clara, donde puede simplificar el problema a positivo o negativo, y luego tomar las decisiones más entrópicas o las que no han alcanzado un umbral de certeza a través de la probabilidad establecida en masa neutral.
Su mayor obstáculo será obtener datos de entrenamiento para un método de aprendizaje de máquina estocástico. Puede hacerlo fácilmente con un modelo de máxima entropía disponible, como Toolkit for Advanced Discriminative Modeling o Mallet. Las características que describió solo tendrían que formatearse según las entradas que usan estos modelos.
Para obtener datos de capacitación, puede realizar algún tipo de crowdsourcing de pago como Mechanical Turk de Amazon o simplemente hacerlo usted mismo, tal vez con la ayuda de un amigo. Necesitará un lote de datos para esto. Puede mejorar la fuerza predictiva de su modelo a la luz de la escasez de datos con enfoques como el aprendizaje activo, el ensemble o el refuerzo, pero es importante probarlos de la mejor manera posible con los datos del mundo real y elegir lo que funciona mejor en un entorno aplicación práctica.
Si está buscando artículos para esto, querrá consultar el término "análisis de sentimientos" en Google Scholar. The Association for Computational Linguistics tiene una gran cantidad de documentos gratuitos y útiles de conferencias y revistas que abordan el problema desde un punto de vista tanto lingüístico como algorítmico. También buscaría sus archivos. ¡Buena suerte!
Hay una pregunta similar: http://stackoverflow.com/questions/933212/is-it-possible-to-guess-a-users-mood-based-on-the-structure-of-text – Helen
Incluso los humanos tiene problemas para determinar el estado de ánimo/tono en las conversaciones de estilo de correo electrónico/sms. A menos que esté hablando de analizar ficción donde se usan palabras clave (ejemplos: "gritó" y "furioso"), entonces tiene su trabajo hecho para usted. – Alex