Social Media, Topic Modeling and Sentiment Analysis in Municipal Decision Support
Faculty of Economics（经济学院）
本文提出一个面向市政决策的社交媒体处理框架，通过情感极性判定、主题识别与模糊数聚合，更丰富地刻画市民意见多样性，并在捷克俄斯特拉发推文数据上验证其应用价值。
2023-08-08 cs.CL cs.SI
Preparation of Improved Turkish DataSet for Sentiment Analysis in Social Media
Sentis Software（Sentis软件公司）；Firat University（菲拉特大学）
为了能够成功地执行分析研究，需要具有适合情感分析[1]、事件预测、趋势检测和其他文本挖掘应用的各种属性的公共数据集。社交媒体上的绝大多数数据都是基于文本的，不可能直接将机器学习过程应用于这些原始数据，因为在实施算法之前需要几个不同的过程来准备数据。例如，同一个词的不同拼写错误不必要地扩大了词向量空间，从而导致降低算法的成功率并增加计算能力需求。本文提出了一种改进的土耳其语数据集，并基于Hadoop [2]提出了一种有效的拼写校正算法。收集的数据记录在Hadoop分布式文件系统上，基于文本的数据由MapReduce编程模型处理。该方法适用于基于大文本的社交媒体数据的存储和处理。在这项研究中，电影评论已被自动记录与Apache ManifoldCF（MCF）[3]和数据集群已被创建。各种方法比较，如Levenshtein和模糊字符串匹配已经提出了从收集的数据创建一个公共数据集。实验结果表明，该算法能够有效地检测和纠正文本中的拼写错误，可作为情感分析研究的开源数据集。
2018-01-31 cs.CL cs.IR cs.SI
A Heterogeneous Graphical Model to Understand User-Level Sentiments in Social Media
Carnegie Mellon University（卡内基梅隆大学）
社交媒体在过去十年中取得了巨大的增长，并继续快速增长。随着这种采用，它正日益成为意见挖掘和情感分析的丰富数据来源。因此，社交媒体中情感的检测和分析是一个有价值的课题，吸引了大量的研究工作。大多数早期的努力集中在监督学习方法来解决这个问题，这需要昂贵的人工注释，因此限制了它们的实际应用。在我们的工作中，我们提出了一个半监督的方法来预测用户级的情绪为特定的主题。我们定义和利用一个异构的图形，建立从社交网络的用户与知识，连接用户在社交网络通常共享类似的情绪。与以前的作品相比，我们有几个新颖之处：（1）我们将用户的影响力/权威性纳入模型，2）我们包括基于评论和基于喜欢的用户-用户链接到图，3）我们将多个异构图合并为一个，从而允许两个用户之间存在多种类型的链接。
2019-12-17 cs.CL cs.IR cs.LG
Indonesian Social Media Sentiment Analysis With Sarcasm Detection
Institute Technology of Bandung（万隆理工学院）
讽刺被认为是情感分析中最困难的问题之一。在我们对印尼社交媒体的观察中，对于某些话题，人们倾向于使用讽刺来批评某些东西。在这里，我们提出了两个额外的功能来检测讽刺后，一个共同的情感分析进行。特征是否定性信息和感叹词的数量。我们还在情感分类中使用了翻译的SentiWordNet。所有的分类都是用机器学习算法进行的。实验结果表明，附加特征在讽刺检测中是非常有效的。
2015-05-12 cs.CL
TwiInsight: Discovering Topics and Sentiments from Social Media Datasets
Singapore Institute of Technology（新加坡理工学院）；Data Storage Institute, A*STAR（新加坡科技研究局数据存储研究院）；University of Glasgow（格拉斯哥大学）
社交媒体平台包含了大量的信息，为我们提供了探索隐藏模式或未知相关性的机会，并了解人们对他们正在讨论的内容的满意度。作为一个展示，在本文中，我们提出了一个系统，TwiInsight探索Twitter数据的洞察力。与其他Twitter分析系统不同，TwiInsight自动提取不同类别下的热门话题（例如，医疗保健、食品、技术、体育和交通），并识别不同类别之间的相关主题。此外，它还通过情感分析发现人们对推文和主题的意见。该系统还采用直观和信息可视化来显示未发现的洞察力。此外，我们还开发和比较六个最流行的算法-三个情感分析和三个主题建模。
2017-05-23 cs.CL cs.IR
Topic Modeling and Sentiment Analysis on Japanese Online Media's Coverage of Nuclear Energy
Kyoto University（京都大学）；Sakura internet Inc.（Sakura互联网公司）
本研究通过主题建模和基于大语言模型的情感分析，考察了日本YouTube上3000多个核能相关视频的内容与评论，并结合词共现网络分析处理水排放讨论，揭示了日本公众对核能的网络情绪与话语动态。
2024-11-27 cs.CL cs.SI
FinnSentiment -- A Finnish Social Media Corpus for Sentiment Polarity Annotation
University of Helsinki（赫尔辛基大学）
情感分析和意见挖掘是一项重要的任务，在社交媒体中具有明显的应用领域，例如在指示仇恨言论和假新闻时。在我们对以前工作的调查中，我们注意到没有大规模的社交媒体数据集带有芬兰语的情感极性注释。该出版物旨在通过引入由三个本地注释者独立地用情感极性注释的27，000个句子数据集来弥补这一缺点。对于整个数据集，我们有相同的三个注释器，这为进一步研究注释器随时间的行为提供了独特的机会。我们分析了他们的注释者之间的协议，并提供了两个基线来验证数据集的有用性。
2020-12-04 cs.CL
LSTM based models stability in the context of Sentiment Analysis for social media
ENSIAS（国家高等信息与系统分析学院）；MOHAMMED V UNIVERSITY IN RABAT（拉巴特穆罕默德五世大学）
深度学习技术已经证明了它们对于情感分析（SA）相关任务的有效性。递归神经网络（RNN），特别是长短期记忆（LSTM）和双向LSTM，已经成为构建准确预测模型的参考。然而，模型的复杂性和要配置的超参数的数量提出了与其稳定性相关的几个问题。在本文中，我们介绍了各种LSTM模型及其关键参数，并在情感分析的背景下进行实验来测试这些模型的稳定性。
2022-11-21 cs.CL cs.IR cs.LG
Social Media Sentiment Analysis for Cryptocurrency Market Prediction
Autonio Foundation Ltd.（Autonio基金会有限公司）；SingularityNET Foundation（SingularityNET基金会）；Novosibirsk State University（新西伯利亚国立大学）
在本文中，我们探索了不同的自然语言处理模型的可用性，用于社交媒体的情感分析应用于金融市场预测，使用加密货币领域作为参考。我们研究了不同的情绪指标如何与比特币的价格走势相关。为此，我们探索了不同的方法来计算文本中的情感度量，发现其中大多数对于这个预测任务来说都不是很准确。我们发现，其中一个模型的性能优于其他20多个公共模型，并且由于其可解释性，可以有效地对其进行微调。因此，我们确认，可解释的人工智能和自然语言处理方法可能比不可解释和不可解释的方法更有实际价值。最后，我们分析了不同情绪指标与价格走势之间的潜在因果关系。
2022-04-19 cs.CL cs.LG cs.SI
Insight from NLP Analysis: COVID-19 Vaccines Sentiments on Social Media
University of Manchester（曼彻斯特大学）
社交媒体是分析公众对COVID-19疫苗和各种品牌的态度的适当来源。然而，相关的研究很少。在这项研究中，我们收集了英国和美国居民在大流行期间从Twitter API发布的推文，并设计了实验来回答有关疫苗接种的三个主要问题。为了获得公民的主导情绪，我们使用VADER进行情感分析，并提出了一种新的方法，可以计算个人的影响力。这使我们能够在情感分析中更进一步，并解释数据变化中的一些波动。结果表明，名人可以引导社交媒体上疫苗接种进展的意见转变。此外，在高峰期，两国近40%的人口对COVID-19疫苗持消极态度。此外，我们还调查了人们对不同疫苗品牌的看法。我们发现辉瑞疫苗最受人们欢迎。通过应用情感分析工具，我们发现大多数人对大多数品牌生产的COVID-19疫苗持正面看法。最后，利用LDA模型进行了主题建模。我们发现两国居民都愿意分享他们对疫苗的看法和感受。接种疫苗后发生了几例死亡病例。由于这些负面事件，美国居民更加担心疫苗的副作用和安全性。
2021-06-08 cs.CL cs.SI
Emotional Analysis of Fashion Trends Using Social Media and AI: Sentiment Analysis on Twitter for Fashion Trend Forecasting
Delhi Public School, Ruby Park, India（印度德里公共学校，Ruby Park分校）；Poolesville High School, USA（美国Poolesville高中）
本研究利用T4SA数据集和NLP技术分析Twitter情感，提出改进的预测模型，证实社交媒体情感分析可作为时尚趋势的有效早期指标。
2025-04-30 cs.AI cs.CL
Exploring celebrity influence on public attitude towards the COVID-19 pandemic: social media shared sentiment analysis
COVID-19疫情为健康传播带来新机遇，包括公众使用线上渠道表达健康相关情绪的增加。人们纷纷转向社交媒体网络分享与COVID-19疫情影响相关的情绪。在本文中，我们研究的作用，社会信息共享的人在公众眼中（即运动员，政治家，新闻人员），在确定整体公共话语方向。我们于二零二零年一月一日至二零二二年三月一日期间收集了约13，000，000条推文。使用微调的DistilRoBERTA模型计算每条推文的情绪，该模型用于比较与“公众眼中的人”同时出现的COVID-19疫苗相关推文（推文）。我们的研究结果表明，在2019冠状病毒病大流行的头两年，公众眼中的人物分享的信息中同时出现的情感内容的一致模式影响了公众舆论，并在很大程度上刺激了在线公共话语。我们证明，随着疫情的发展，公众在社交网络上的情绪受到公众眼中的人所共有的风险认知、政治意识形态和健康保护行为的影响，通常是负面的。
2023-02-23 cs.CL cs.IR cs.LG
C1 at SemEval-2020 Task 9: SentiMix: Sentiment Analysis for Code-Mixed Social Media Text using Feature Engineering
Capital One（第一资本）
在当今互联互通的多语言世界中，社交媒体上的语言代码混合是一种常见现象。虽然许多自然语言处理（NLP）任务（如情感分析）已经成熟，并且针对单语文本进行了良好的设计，但将这些任务应用于代码混合文本的技术仍然值得探索。本文描述了我们的特征工程方法，用于SemEval-2020任务9：SentiMix的代码混合社交媒体文本中的情感分析。我们利用一组手工设计的词汇，情感和元数据功能来解决这个问题，设计一个分类器，可以消除“积极”，“消极”和“中性”的情绪之间的歧义。通过这个模型，我们能够获得加权的F1得分为0.65的“印度式英语”任务和0.63的“西班牙式英语”任务
2020-08-09 cs.CL cs.LG
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto（波尔图大学）
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析，我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
IUST at SemEval-2020 Task 9: Sentiment Analysis for Code-Mixed Social Media Text using Deep Neural Networks and Linear Baselines
Iran University of Science and Technology（伊朗科技大学）
情感分析是自然语言处理的一个研究领域。然而，社交媒体的快速增长和其中的嘈杂内容对用成熟的方法和工具解决这个问题提出了重大挑战。其中一个挑战是代码混合，这意味着在社交媒体文本中使用不同的语言来传达思想。我们的团队名为IUST（用户名：TAHA），参加了SemEval-2020共享任务9关于代码混合社交媒体文本的情感分析，我们试图开发一个系统来预测给定代码混合推文的情感。我们使用了不同的预处理技术，并建议使用不同的方法，从NBSVM到更复杂的深度神经网络模型。我们的最佳执行方法获得了0.751的F1分数的西班牙语-英语子任务和0.706的印地语-英语子任务。
2020-07-24 cs.CL
JUNLP@Dravidian-CodeMix-FIRE2020: Sentiment Classification of Code-Mixed Tweets using Bi-Directional RNN and Language Tags
Jadavpur University（贾达布尔大学）
情感分析在过去二十年中一直是一个活跃的研究领域，最近，随着社交媒体的出现，对社交媒体文本的情感分析的需求越来越大。由于社交媒体文本不是一种语言，并且在本质上主要是代码混合的，因此传统的情感分类模型无法产生可接受的结果。本文试图解决这一研究问题，并使用双向LSTM与语言标记，以促进情感标记的代码混合泰米尔语文本已从社交媒体中提取。在测试数据上进行评估时，所提出的算法的精确度、召回率和F1分数分别为0.59、0.66和0.58。
2020-10-20 cs.CL
Presence of informal language, such as emoticons, hashtags, and slang, impact the performance of sentiment analysis models on social media text?
University of Miskolc（米什科尔茨大学）
本研究旨在探讨表情符号和俚语等非正式语言的存在对社交媒体文本情感分析模型性能的影响。卷积神经网络（CNN）模型在三个数据集上被开发和训练：讽刺数据集、情感数据集和表情数据集。模型架构在所有实验中保持不变，模型在80%的数据上进行训练，并在20%的数据上进行测试。结果显示，该模型在讽刺数据集上的准确率为96.47%，其中类别1的准确率最低。在情感数据集上，该模型的准确率达到了95.28%。讽刺和情感数据集的融合将模型的准确率提高到95.1%，表情数据集的加入对模型的准确率有轻微的积极影响，达到95.37%。该研究表明，非正式语言的存在对应用于社交媒体文本的情感分析模型的性能具有有限的影响。然而，将表情数据包含到模型中可以稍微提高准确性。
2023-01-28 cs.CL
Transgender Community Sentiment Analysis from Social Media Data: A Natural Language Processing Approach
Northeast Yucai Bilingual School（东北育才双语学校）；Northeast Yucai Foreign Language School（东北育才外国语学校）；Northwestern University（西北大学）；Shenyang Pharmaceutical University（沈阳药科大学）
与普通人群相比，跨性别群体的心理健康状况存在巨大差异。解读跨性别者发布的社会媒体数据，有助于我们更好地了解这些性少数群体的情绪，并采取早期干预措施。在这项研究中，我们手动将跨性别者发布的300条社交媒体评论分类为消极，积极和中立的情绪。采用5种机器学习算法和2种深度神经网络，基于标注数据构建情感分析分类器。结果表明，我们的注释是可靠的高科恩的Kappa评分超过0.8在所有三个类。LSTM模型产生了超过0.85的准确度和0.876的AUC的最佳性能。我们的下一步将专注于在更大的注释数据集上使用高级自然语言处理算法。
2022-07-20 cs.CL
BERT-Deep CNN: State-of-the-Art for Sentiment Analysis of COVID-19 Tweets
University of Birjand（比尔詹德大学）；Dibrugarh University（迪布鲁加尔大学）；Fasa University（法萨大学）；Ferdowsi University of Mashhad（马什菲尔德大学）；Deakin University（迪肯大学）；Shahid Beheshti University（沙希德·贝赫什提大学）；Khulna University（库尔纳大学）
本文提出结合BERT与Deep CNN分析COVID-19推文情感，借助NLP和机器学习识别社会情绪趋势，并通过相关研究对比表明BERT优于其他深度模型。
2023-03-10 cs.CL cs.SI
Sentiment Analysis for Arabic in Social Media Network: A Systematic Mapping Study
University of Malaya（马来亚大学）；University of Brunei Darussalam（文莱达鲁萨兰大学）；Kano University of Science and Technology（卡诺科技大学）
随着互联网和社交媒体招标的扩大，阿拉伯语情感分析（ASA）在文本挖掘研究领域占据了重要地位，并一直用于探索用户对互联网上的服务，各种产品或主题的情感。本文旨在全面调查ASA研究领域的人口统计学、生育率和方向。此外，计划分析当前的ASA技术，并在研究中找到运动。本文描述了一个系统的映射研究（SMS）的51个主要选择的研究（PSS）是处理与基于证据的系统方法，以确保处理所有相关文件的批准。分析结果显示，自2015年以来，ASA的研究领域和每年的出版物数量都有所增加。三个主要的研究方面，即验证，解决方案和评估研究，解决方案的研究成为更多的治疗比另一种研究类型。因此，许多贡献方面被挑出来。总体而言，ASA研究领域的一般人口统计数据得到了强调和讨论
2019-10-26 cs.CL cs.SI
SlangSD: Building and Using a Sentiment Dictionary of Slang Words for Short-Text Sentiment Classification
Arizona State University（亚利桑那州立大学）
社交媒体中的情绪越来越被认为是客户细分，市场理解和解决其他社会经济问题的重要资源。然而，社交媒体中的情绪很难衡量，因为用户生成的内容通常很短，而且不正式。虽然许多传统的情感分析方法已经被提出，识别俚语情感词仍然没有解决。原因之一是俚语情感词在现有的词典或情感词典中不可用。为此，我们建议建立第一个俚语情感词典，以帮助对社交媒体内容进行情感分析。收集和标注一个完整的俚语列表的情感极性是费力和耗时的。我们提出了一种方法，利用网络资源，构建一个广泛的俚语情感词词典（SlangSD），易于维护和扩展。SlangSD可公开用于研究目的。我们经验表明，使用SlangSD，新建成的俚语情感词词典的情感分类的优势，并提供的例子证明其易用性与现有的情感系统。
2016-08-17 cs.CL
Sentiment Analysis of Twitter Posts on Global Conflicts
Conestoga College（康尼斯托加学院）；Wilfrid Laurier University（威尔弗里德·劳雷尔大学）；Southern Utah University（南犹他大学）
本文提出一种情感分析模型，基于Twitter上近期全球争端事件数月间约31,000条筛选推文，分析全球冲突期间的公众情绪。
2023-11-21 cs.CL cs.LG cs.SI
Unraveling Media Perspectives: A Comprehensive Methodology Combining Large Language Models, Topic Modeling, Sentiment Analysis, and Ontology Learning to Analyse Media Bias
Institute of IT Management and Digitization Research (IFID)（信息管理与数字化研究学院）
本文提出结合层次主题建模、情感分析和大语言模型本体学习的可扩展媒体偏见分析方法，通过三个政治新闻案例验证其在多粒度识别事件选择、标签、用词及委托遗漏偏见方面的有效性。
2025-05-03 cs.AI cs.CL cs.IR
Gender stereotypes in the mediated personalization of politics: Empirical evidence from a lexical, syntactic and sentiment analysis
媒体对名人和重要人物的个人领域的关注已成为性别叙事的一个关键因素。在这里，我们结合词汇，句法和情感分析，调查性别在2017年至2020年期间在意大利的广泛的政治职位持有人的个性化的作用。的分数的基础上，介绍了占代表性和新闻报道的性别不平衡的话，我们表明，在意大利的政治个性化是更有害的妇女比男性，与根深蒂固的陈规定型观念，包括男性内涵的领导，由此产生的妇女不适合举行政治职能，并更多地关注他们的吸引力和身体部位。此外，在报告个人细节时，女政治家比男政治家更容易受到负面影响。此外，对观察到的性别差异的主要贡献来自在线新闻，而不是印刷新闻，这表明当点击诱饵和个人目标产生重大影响时，某些陈规定型观念的表达可能会更好地传达。
2022-04-13 cs.CL cs.SI
Predicting stock prices with ChatGPT-annotated Reddit sentiment
Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）
本研究针对社交媒体情感能否预测股价的问题，提出经ChatGPT标注微调的RoBERTa情感分析模型，分析Reddit板块中GME和AMC相关讨论，发现社交媒体情感与股价弱相关，评论量、搜索趋势等简单指标预测性更强。
2025-07-21 cs.AI cs.CL cs.SI
A Scalable, Lexicon Based Technique for Sentiment Analysis
YMCA University of Science & Technology（YMCA科学技术大学）
网络上情感丰富的社交媒体数量的快速增长导致了研究人员对情感分析和意见挖掘的兴趣增加。然而，由于网络上有如此多的社交媒体，情感分析现在被认为是一项大数据任务。因此，传统的情感分析方法无法有效地处理现在每天可用的大量情感数据。研究的主要重点是找到这样一种技术，可以有效地对大数据集进行情感分析。一种可以快速准确地将文本分类为积极，消极和中性的技术。在这项研究中，使用Hadoop对大量推文数据集进行了情感分析，并以速度和准确性的形式衡量了该技术的性能。实验结果表明，该技术在处理大规模情感数据集时具有很好的效率。
2014-10-08 cs.CL cs.IR
NITS-Hinglish-SentiMix at SemEval-2020 Task 9: Sentiment Analysis For Code-Mixed Social Media Text Using an Ensemble Model
National Institute of Technology Silchar（西尔恰尔国立技术学院）
情感分析是一个解读句子所表达的情感并将其分为积极、消极或中性的过程。近年来，印度活跃的社交媒体用户数量大量涌入，这导致了大量非结构化文本数据。由于印度人通常都能流利地使用印地语和英语，他们最终会生成代码混合的印度式英语社交媒体文本，即印地语的表达，用罗马字母和其他英语单词一起书写。充分理解这些文本中的概念的能力确实是必要的。我们的团队rns 2020参与了SemEval 2020的任务9，旨在设计一个系统来对代码混合的社交媒体文本进行情感分析。本文提出了一个名为NITS-Hinglish-SentiMix的系统来完成对这种代码混合的Hinglish文本的情感分析。所提出的框架在测试数据上记录了0.617的F分数。
2020-09-04 cs.CL
LSTM Based Sentiment Analysis for Cryptocurrency Prediction
University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；Leibniz University Hannover（汉诺威莱布尼茨大学）；McGill University（麦吉尔大学）；University of Stavanger（斯塔万格大学）；Guangdong Pharmaceutical University（广东药科大学）；University of Southern Queensland（南昆士兰大学）
大数据分析和自然语言处理的最新研究开发了分析社交媒体信息中情感的自动技术。此外，社交媒体不断增长的用户群和大量的帖子也提供了有价值的情绪信息来预测加密货币的价格波动。这项研究旨在通过分析社交媒体中的情绪并找到它们之间的相关性来预测加密货币的波动性价格走势。虽然以前的工作已经发展到分析情绪在英语社交媒体帖子，我们提出了一种方法来识别情绪的中国社交媒体帖子从最流行的中国社交媒体平台新浪微博。我们开发了捕获微博帖子的管道，描述了特定于加密货币的情感词典的创建，并提出了一个基于长短期记忆（LSTM）的递归神经网络，以及历史加密货币价格走势，以预测未来时间框架的价格趋势。实验结果表明，该方法优于最先进的自回归模型的18.5%的准确率和15.4%的召回率。
2021-10-17 cs.AI cs.CL
FinMoji: A Framework for Emoji-driven Sentiment Analysis in Financial Social Media
King Abdullah University of Science and Technology (KAUST)（卡斯特科学与技术大学）；Hamad Bin Khalifa University（哈马德·本·卡伊夫大学）
本文研究了表情符号在金融 sentiment 分析中的应用，通过 StockTwits 平台实验，探讨表情符号作为投资者情绪代理的有效性，并比较了基于表情符号与文本的分析方法。
2026-05-10 cs.CL
SentiMM: A Multimodal Multi-Agent Framework for Sentiment Analysis in Social Media
College of Information and Electrical Engineering, China Agricultural University（信息与电气工程学院，中国农业大学）；College of Software, Jilin University（软件学院，吉林大学）；College of Communication Engineering, Jilin University（通信工程学院，吉林大学）
针对社交媒体情感分析中异构数据处理与多标签情绪识别的挑战，提出多智能体框架SentiMM，通过专用智能体处理多模态输入、融合特征并结合外部知识，同时构建SentiMMD数据集，实验证明其性能优于现有基线。
2025-08-25 cs.CL
Visual Sentiment Analysis: A Natural DisasterUse-case Task at MediaEval 2021
SimulaMet；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；University of Trento（特伦托大学）
MediaEval首次提供视觉情感分析任务。该任务的主要目的是预测社交媒体上分享的自然灾害图像的情绪反应。与灾害相关的图像通常是复杂的，并且经常引起情感反应，使其成为视觉情感分析的理想用例。我们认为，能够对自然灾害相关数据进行有意义的分析可能具有重大的社会意义，在这方面的共同努力可以为未来的研究开辟几个有趣的方向。该任务由三个子任务组成，每个子任务旨在探索挑战的不同方面。在本文中，我们提供了任务的详细概述，任务的一般动机，以及用于评估所提出的解决方案的数据集和指标的概述。
2021-11-22 cs.CL
CMSAOne@Dravidian-CodeMix-FIRE2020: A Meta Embedding and Transformer model for Code-Mixed Sentiment Analysis on Social Media Text
International Institute of Information Technology - Hyderabad (IIIT-Hyderabad)（海得拉巴国际信息技术学院（IIIT-Hyderabad））
语码混用是一种常见的语言现象，它是指在一个话语或句子中使用多种语言。CM主要在各种社交媒体平台和非正式对话中进行。情感分析是自然语言处理中的一个基本步骤，在单语文本中得到了很好的研究。语码混合由于其非标准的表示方式给情感分析带来了挑战。本文提出了一种基于Transformer的Meta嵌入方法，用于对Dravidian代码混合数据集进行情感分析。在我们的方法中，我们使用Meta嵌入来捕获富文本表示。我们将所提出的方法用于任务：“代码混合文本中的达罗毗荼语的情感分析”，并且对于给定的达罗毗荼语代码混合数据集，它实现了$0.58$和$0.66$的F1得分。代码在Github https://github.com/suman101112/fire-2020-Dravidian-CodeMix中提供。
2021-01-22 cs.CL cs.LG
A Case Study of Chinese Sentiment Analysis on Social Media Reviews Based on LSTM
Peking University（北京大学）
网络舆情分析是通过自然语言处理（NLP）和舆论监督相结合而获得的，对于监测公众情绪和趋势至关重要。因此，网络舆情分析可以发现和解决潜在的、萌芽的社会问题。本研究旨在利用长短期记忆网络（LSTM）模型实现对社交媒体评论中中国人情绪的分析。数据集是使用网络爬虫从新浪微博获得的，并使用Pandas进行了清理。首先，对唐山袭击案和江歌案的法律量刑进行了中文评论的分割和向量化。然后，训练和测试一个二进制LSTM模型。最后，通过使用LSTM模型分析评论来获得情感分析结果。所提出的模型的准确性已达到约92%。
2022-10-31 cs.CL cs.LG
Sentiment Analysis of Code-Mixed Social Media Text (Hinglish)
University of Leeds（利兹大学）
本文讨论了不同的技术应用于执行情感分析的社会媒体（Twitter）代码混合的文本写在印度式英语的结果。执行情感分析所涉及的各个阶段是数据整合、数据清理、数据转换和建模。应用了各种数据清理技术，在五次迭代中清理数据，并在每次迭代后记录实验结果。使用count vectorizer，one hot vectorizer，tf-idf vectorizer，doc 2 vec，word 2 vec和fasttext嵌入转换数据。使用各种机器学习算法创建模型，例如SVM、KNN、决策树、随机森林、朴素贝叶斯、逻辑回归和集成投票分类器。数据来自Codalab竞赛网站上的一项任务，该任务在Semeval-2020竞赛网站上被列为任务：9。使用F1评分（宏）评价创建的模型。最好的F1得分为69.07，使用集成投票分类器。
2021-02-24 cs.CL
Sentiment Analysis on Social Media Content
University of Southern California（南加州大学）；Caltech（加州理工学院）
如今，来自世界各地的人们使用社交媒体网站分享信息。例如，Twitter是一个平台，用户可以在其中发送、阅读被称为tweets的帖子，并与不同的社区进行互动。用户分享他们的日常生活，发布他们对品牌和地点等一切的看法。公司可以通过收集与他们的意见相关的数据，从这个庞大的平台中受益。本文的目的是提出一个模型，可以执行情感分析的真实数据从Twitter上收集。Twitter中的数据是高度非结构化的，这使得它很难分析。然而，我们提出的模型是不同于以前的工作在这一领域，因为它结合了监督和无监督机器学习算法的使用。执行情感分析的过程如下：直接从Twitter API提取推文，然后执行数据的清理和发现。之后，数据被输入到几个模型中进行训练。每个推文提取分类基于其情绪是否是一个积极的，消极的或中性的。数据收集了两个主题麦当劳和肯德基，以显示哪个餐厅更受欢迎。使用了不同的机器学习算法。使用交叉验证和f-score等各种测试指标对这些模型的结果进行了测试。此外，我们的模型在直接从Twitter中提取的挖掘文本上表现出很强的性能。
2020-07-13 cs.CL cs.IR cs.LG
Combining Lexical Features and a Supervised Learning Approach for Arabic Sentiment Analysis
在过去几年中，特别是随着阿拉伯社交媒体用户数量的迅速增加，人们认识到为阿拉伯社交媒体建立情感分析工具的重要性。解决这个问题的主要困难之一是社交媒体中的文本大多是口语化的，社交媒体平台中使用了许多方言。在本文中，我们提出了一组特征，这些特征与基于机器学习的情感分析模型相集成，并应用于埃及、沙特、黎凡特和MSA阿拉伯语社交媒体数据集。许多拟议的功能是通过使用阿拉伯语情感词汇。该模型还提出了基于表情的功能，以及输入文本相关的功能，如文本中的段数，文本的长度，文本是否以问号结尾等，我们表明，所提出的功能已经导致了六个我们已经实验过的七个数据集的准确性提高，这些数据集都是基准。由于开发的模型优于所有现有的阿拉伯语情感分析系统，这些系统具有公开的数据集，我们可以说，该模型在阿拉伯语情感分析中呈现出最先进的水平。
2017-10-23 cs.CL
Sentiment Analysis for Roman Urdu Text over Social Media, a Comparative Study
The University of Lahore（拉合尔大学）
在本世纪，数据量正在急剧增加。数据可以是图像、文本、语音和视频的形式。数据的巨大增长的一个因素是社交媒体的使用，每个人每天都在聊天，交换信息以及上传个人和官方证书时发布数据。情感研究旨在揭示已发布文本中的抽象知识，用户在其中交流他们对共享内容的情感和想法，包括博客，新闻和社交网络。罗马乌尔都语是巴基斯坦和印度社交网络上最主要的语言之一。罗马乌尔都语是世界上第三大乌尔都语的变体之一，但在这种语言中还没有足够的工作。在这篇文章中，我们解决了以前的概念和策略，用于检查的情绪的罗马乌尔都语文本，并报告他们的结果。
2020-10-05 cs.CL
#Coronavirus or #Chinesevirus?!: Understanding the negative sentiment reflected in Tweets with racist hashtags across the development of COVID-19
Nanyang Technological University（南洋理工大学）；IBM Research Australia（IBM澳大利亚研究院）
在全球爆发COVID-19的背景下，我们的研究丰富了关于社交媒体上出现的种族主义和仇外心理的讨论。通过从Twitter中提取的大数据，我们专注于分析带有种族主义标签的推文中反映的负面情绪，因为种族主义和仇外心理更有可能通过负面情绪传递。特别是，我们提出了一种基于阶段的方法，以捕捉负面情绪如何随着COVID-19的三个发展阶段而变化，在这三个阶段下，COVID-19从国内疫情转变为国际公共卫生紧急情况，后来又转变为全球大流行。在每个阶段，情感分析使我们能够识别带有种族主义标签的推文中的负面情绪，关键字提取允许发现这些推文表达负面情绪的主题。在这场人类公共健康危机下，这种基于阶段的方法使我们能够为制定针对特定阶段的干预策略提供政策建议，以更有效的方式打击社交媒体上的种族主义和仇外心理。
2020-05-17 cs.CL cs.SI
Comparative Study of Sentiment Analysis for Multi-Sourced Social Media Platforms
Manipal Institute of Technology（马尼帕尔理工学院）
由于当今世界技术的快速发展，每秒钟都会产生大量的数据。这一研究领域试图确定人们在社交媒体帖子上的感受或观点。我们使用的数据集是来自Twitter，Reddit等各种社交网站的评论部分的多源数据集。采用自然语言处理技术对所获得的数据集进行情感分析。在本文中，我们提供了一个比较分析，使用基于词汇的技术，机器学习和深度学习的方法。这项工作中使用的机器学习算法是朴素贝叶斯，这项工作中使用的基于词典的方法是TextBlob，这项工作中使用的深度学习算法是LSTM。
2022-12-09 cs.AI cs.CL
Semantic Properties of Customer Sentiment in Tweets
Northwestern University（西北大学）
越来越多的人正在使用在线社交网络服务（SNS），并且大量与消费体验相关的信息通过这种新媒体形式共享。文本挖掘是一种新兴的从网络中挖掘有用信息的技术。我们的目标是发现，特别是在消费者的讨论在社交媒体上的推文语义模式。具体来说，本研究的目的是双重的：1）发现两组文本文档之间的相似性和差异性，包括消费者的情感极性，两种形式的积极与消极的意见和2）驱动实际内容的文本数据，具有语义趋势。经过考虑的推文包括消费者对美国零售公司的看法（例如，亚马逊、沃尔玛）。前一个目标是使用余弦相似度和K均值聚类方法，后一个目标是使用潜在狄利克雷分配（LDA），一个流行的主题建模算法。这是第一个发现消费语境中文本数据语义特性的研究，而不是情感分析。除了主要发现外，我们还将LDA（潜在狄利克雷分配）应用于相同的数据，并绘制了代表消费者在社交媒体上的积极意见和消极意见的潜在主题。
2016-03-24 cs.CL cs.IR cs.SI
A Comprehensive Review of Visual-Textual Sentiment Analysis from Social Media Networks
University of Tabriz（大不里士大学）
本文综述社交媒体中的视觉-文本多模态情感分析，梳理预处理、特征提取、数据集、分类与融合方法，并总结研究进展、挑战及应用。
2023-12-06 cs.AI cs.CL cs.IR
Retrieving Users' Opinions on Social Media with Multimodal Aspect-Based Sentiment Analysis
Technical University of Munich（慕尼黑工业大学）
人们在社交媒体上发布他们的观点和经验，产生了丰富的最终用户情绪数据库。本文展示了机器学习在多大程度上可以分析和构建这些数据库。部署自动化数据分析管道，为其他领域的研究人员提供对用户生成内容的见解。首先，领域专家可以选择感兴趣的图像和术语。然后，该管道使用图像检索来找到显示相似内容的所有图像，并应用基于方面的情感分析来概述用户对所选术语的意见。作为建筑和计算机科学研究人员之间的跨学科项目的一部分，传达了汉堡易北爱乐乐团的实证研究。因此，我们从Flickr平台上选择了30万个带有标签\enquote{\texttt{hamburg}}的帖子。图像检索方法生成了一个子集，略多于1500张图像显示易北爱乐乐团。我们发现，这些帖子主要传达了一种中立或积极的情绪。通过这种管道，我们提出了一种新的语义计算方法，为最终用户的意见提供了新的见解，例如，为建筑领域专家。
2023-01-09 cs.AI cs.CL cs.CV
An LSTM model for Twitter Sentiment Analysis
University of New Mexico（新墨西哥大学）
Twitter等社交媒体上的情感分析为组织和个人提供了一种有效的方法来监测公众对他们及其竞争对手的情绪。因此，情感分析成为一项重要而具有挑战性的任务。在这项工作中，我们收集了七个公开的和手动注释的twitter情感数据集。我们从收集的数据集创建一个新的训练和测试数据集。我们开发了一个LSTM模型来对推文的情感进行分类，并使用新的数据集对模型进行评估。
2022-12-04 cs.CL cs.SI
Tweets Sentiment Analysis via Word Embeddings and Machine Learning Techniques
社交媒体数据的情感分析包括态度、评估和情感，这些可以被认为是人类思考的一种方式。理解大量文件并将其分为正反两方面是一项非常困难的任务。Twitter、Facebook和Instagram等社交网络提供了一个平台，以收集有关人们情绪和意见的信息。考虑到人们每天在社交媒体上花费数小时并分享他们对各种不同主题的看法，这有助于我们更好地分析情绪。越来越多的公司正在使用社交媒体工具来提供各种服务并与客户互动。情感分析（SA）将给定推文的极性分类为正面推文和负面推文，以了解公众的情感。本文旨在使用特征选择模型word2vec和用于情感分类的机器学习算法随机森林对2019年选举的实时Twitter数据进行情感分析。Word2vec与随机森林相比，显著提高了情感分析的准确性。Word2vec通过考虑文本中单词的上下文语义来提高特征的质量，从而提高了机器学习和情感分析的准确性。
2020-07-05 cs.CL
Longitudinal Sentiment Analyses for Radicalization Research: Intertemporal Dynamics on Social Media Platforms and their Implications
这篇讨论论文展示了纵向情感分析如何描绘社交媒体平台上的跨期动态，内在的挑战是什么，以及进一步的研究如何从纵向角度受益。此外，由于情感分析工具应简化和加速定性数据的分析过程，并具有可接受的评分者间可靠性，因此将针对2021年1月6日（华盛顿美国国会大厦爆炸当天）收集的推文，对其在激进化研究背景下的适用性进行研究。因此，总共49，350条推文将被平均分布在三个不同的序列中：在华盛顿的美国国会大厦被袭击之前，期间和之后。这些序列突出了社交媒体平台上评论的跨期动态，以及使用条件均值和条件方差时纵向视角的可能好处。此外，还将说明在识别此类事件和相关仇恨言论的支持者方面存在的局限性以及常见的应用错误。因此，只有在某些条件下，纵向情感分析才能在激进化研究的背景下提高基于证据的预测的准确性。
2022-10-01 cs.CL cs.CV stat.AP
Mapping ChatGPT in Mainstream Media to Unravel Jobs and Diversity Challenges: Early Quantitative Insights through Sentiment Analysis and Word Frequency Analysis
Brock University（布鲁克大学）
本文通过文本挖掘和NLP方法分析了10,902条主流媒体新闻标题，揭示ChatGPT在主流媒体中情感偏正面，但就业与多样性等议题被严重忽视，批判了大型科技公司与媒体在排斥这些挑战时的权力结构与共谋。
2023-08-03 cs.CL cs.CY
Sentiment analysis of twitter data
Iowa State University（爱荷华州立大学）
社交网络是收集人们对不同主题的意见和情绪的主要资源，因为他们每天在社交媒体上花费数小时并分享他们的意见。在这篇技术论文中，我们展示了情感分析的应用，以及如何连接到Twitter并运行情感分析查询。我们对从政治到人性的不同查询进行了实验，并显示了有趣的结果。我们意识到，对推文的中性情绪非常高，这清楚地表明了当前作品的局限性。
2017-12-16 cs.CL cs.IR
An analysis of vaccine-related sentiments from development to deployment of COVID-19 vaccines
UNSW Sydney（悉尼新南威尔士大学）；IITG（印度理工学院瓜哈提分校）
本研究使用深度学习情绪分析框架分析Twitter数据，揭示了COVID-19大流行期间疫苗从研发到部署的反疫苗情绪演变，发现推文量、病例数与情绪极性分数相关，且疫苗推出使讨论性质趋于稳定。
2023-06-23 cs.CL cs.SI
Sentiment Analysis: A Survey
University at Buffalo（布法罗大学）
情感分析（也称为意见挖掘）是指利用自然语言处理、文本分析和计算语言学等方法，识别和提取源材料中的主观信息。挖掘用户生成内容中表达的意见是一个具有挑战性但实际上非常有用的问题。本调查将涵盖一般情感分析和意见挖掘中使用的各种方法和方法。重点将是互联网文本一样，产品评论，推文和其他社会媒体。
2014-05-11 cs.CL cs.IR
A Novel Sentiment Analysis Engine for Preliminary Depression Status Estimation on Social Media
University of Cambridge（剑桥大学）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Indraprastha Institute of Information Technology, Delhi（德里英迪拉普拉斯塔信息技术学院）
用于社交媒体上用户的初步抑郁状态估计的文本情感分析是一种广泛应用且可行的方法，然而，访问社交媒体网站的用户的巨大多样性及其词汇的充分混合使得通常应用的基于深度学习的分类器难以执行。更糟糕的是，传统监督式机器学习缺乏适应性可能会在许多层面上造成伤害。我们提出了一个基于云的智能手机应用程序，具有基于深度学习的后端，主要在Twitter社交媒体上执行抑郁检测。后端模型由一个基于RoBERTa的连体句分类器组成，该分类器将给定的推文（查询）与具有已知情感的标记推文集（标准语料库）进行比较。标准语料库随时间变化，专家意见，以提高模型的可靠性。心理学家（在患者的许可下）可以在咨询之前利用该应用程序来评估患者的抑郁状态，从而更好地了解患者的心理健康状况。此外，同样的，心理学家可以参考类似特征的案例，这反过来又有助于更有效的治疗。我们在公开可用的数据集上对其进行微调后评估我们的后端模型。发现调谐模型预测抑郁症的一个大的鸣叫样本与随机噪声因素。该模型实现了峰值结果，测试准确度为87.23%，AUC为0.8621。
2020-11-29 cs.CL cs.IR cs.LG
Decision Tree J48 at SemEval-2020 Task 9: Sentiment Analysis for Code-Mixed Social Media Text (Hinglish)
University of Leeds（利兹大学）；School of Computing（计算机学院）
本文讨论了用于为SemEval-2020任务9中给出的问题提供解决方案的系统的设计，其中需要执行代码混合语言印地语和英语的情感分析。该系统使用Weka作为工具来提供用于推文分类的分类器，并且使用python来从所提供的文件中加载数据并对其进行清理。仅将部分训练数据提供给系统以用于对测试数据集中的推文进行分类，在该测试数据集中对系统进行了评估。系统性能使用官方竞争评估指标F1-score进行评估。在两组训练数据上训练分类器，得到F1分数为0.4972和0.5316。
2020-08-26 cs.CL
Identifying negativity factors from social media text corpus using sentiment analysis method
University of Balochistan（俾路支大学）；SBK Women’s University Balochistan（俾路支SBK女子大学）；Institute of Management Sciences（管理科学研究所）
自动情感分析在决策中起着重要的作用。许多组织花费大量预算通过手动查看他们的反馈/评论或推文来了解他们的客户满意度。自动情感分析可以给出针对任何事件、产品或活动接收到的评论的整体画面。通常，评论/推文被分为两个主要类别，即负面或正面。然而，负面评论过于抽象，无法理解基本原因或上下文。各组织有兴趣查明消极的确切原因。在这项研究中，我们分层地进入负面评论，并将它们与更多的类联系起来。推文是从Twitter和Facebook等社交媒体网站提取的。如果情感分析将任何推文分类为负面类别，则我们进一步尝试将该负面评论与更多可能的负面类别相关联。根据专家意见，负面评论/推文进一步分为8类。不同的机器学习算法进行评估，并报告其准确性。
2021-07-06 cs.AI cs.CL
Multi-channel Attentive Graph Convolutional Network With Sentiment Fusion For Multimodal Sentiment Analysis
如今，随着社交媒体平台上多模态评论的爆炸式增长，多模态情感分析最近因其与这些社交媒体帖子的高度相关性而受到欢迎。虽然大多数以前的研究设计了各种融合框架学习的交互式表示的多个通道，他们未能将情感知识到通道间学习。本文提出了一种多通道注意图卷积网络（MAGCN），它由两个主要部分组成：跨模态交互学习和情感特征融合。对于跨模态交互学习，我们利用自注意力机制结合密集连接的图卷积网络来学习模态间动态。对于情感特征融合，我们利用多头自注意合并情感知识到跨模态特征表示。在三个广泛使用的数据集上进行了大量的实验。实验结果表明，该模型实现了竞争力的准确性和F1分数相比，几个国家的最先进的方法。
2022-01-25 cs.CL
Impact of Stickers on Multimodal Sentiment and Intent in Social Media: A New Task, Dataset and Baseline
School of Computer Science and Technology（计算机科学与技术学院）；Soochow University（苏州大学）；Institute for Infocomm Research, A*STAR（信息与通信研究院，A*STAR）
本文提出涉及贴纸的多模态聊天情感分析与意图识别任务 MSAIRS，构建中文社交媒体数据集，并提出带差分向量和级联注意力的 MMSAIR 基线，验证联合建模的有效性。
2025-07-23 cs.AI cs.CL
