Automated Classification of Text Sentiment
African Institute for Mathematical Sciences（非洲数学科学研究所）；University of Cape Town（开普敦大学）；South African Astronomical Observatory（南非天文台）
识别文本中的情感的能力，称为情感分析，是成年人的自然能力。然而，这个任务不是计算机可以默认执行的任务。以自动化的算法方式识别情感将是企业和研究人员在搜索中了解消费者对其产品或服务的看法以及了解人类社会学的有用能力。在这里，我们提出了两个新的遗传算法（GAs）的自动文本情感分析的任务。遗传算法学习文本语料库中出现的词是情感词还是放大词，以及它们相应的幅度。情感词，如“可怕的”，线性增加到最终的情感。相比之下，放大词通常是形容词/副词，如“非常”，增加了下一个词的情感。这增加，减少或否定了下面这个词的感情。全文的情感就是这些术语的总和。这种方法既增加了情感，又增加了放大器字典，可以重复用于其他目的，并被馈送到其他机器学习算法中。我们报告了在大型亚马逊数据集上进行的多个实验的结果。结果表明，我们提出的方法能够优于几个公共和/或商业情感分析算法。
2018-04-05 cs.CL cs.IR cs.NE
Deep Learning Sentiment Analysis of Amazon.com Reviews and Ratings
University of Nevada Las Vegas（内华达大学拉斯维加斯分校）
我们的研究采用情感分析来评估Amazon.com评论与其相应评级的兼容性。情感分析是将文本中表达的情感识别和分类为积极或消极的任务。在Amazon.com等电子商务网站上，消费者可以提交他们的评论以及特定的极性评级。在某些情况下，审查和评级之间存在不匹配。为了识别评分不匹配的评论，我们使用深度学习对Amazon.com产品评论数据进行了情感分析。利用段落向量将产品评论转化为向量，然后训练具有门控递归单元的递归神经网络。我们的模型结合了评论文本和产品信息的语义关系。我们还开发了一个Web服务应用程序，该应用程序使用训练模型预测提交评论的评级分数，如果预测的评级分数和提交的评级分数之间存在不匹配，它会向评论者提供反馈。
2019-04-04 cs.CL cs.IR cs.LG
Word Embeddings for Sentiment Analysis: A Comprehensive Empirical Survey
Politecnico di Torino（都灵理工大学）
本文研究了训练方法、训练语料库规模和文本主题相关性等因素对词嵌入特征在推文、歌词、电影评论和项目评论的情感分析中的作用。我们还探索了特定的训练或后处理方法，可用于提高词嵌入在某些任务或领域的性能。我们的经验观察表明，用大而丰富的词汇量的多主题文本训练的模型在回答句法和语义词类比问题时是最好的。我们进一步观察到，主题相关性的影响是更强的电影和电话评论，但较弱的推文和歌词。后两个领域对语料库大小和训练方法更敏感，Glove优于Word2vec。从词典“注入”额外的智能或生成情感特定的词嵌入是提高词嵌入特征性能的两个突出的替代方案。
2019-02-02 cs.CL cs.IR
A sentiment analysis model for car review texts based on adversarial training and whole word mask BERT
Beijing University of Posts and Telecommunications（北京邮电大学）；Didi Research Institute, Didi Chuxing（滴滴出行滴滴研究院）
在汽车评价领域，越来越多的网友选择在互联网平台上发表自己的意见，而这些评论会影响到买家的决策和汽车口碑的走向。情感分析作为自然语言处理的一个重要分支，为分析海量汽车评论文本的情感类型提供了一种有效的研究方法。然而，由于汽车领域评论文本的词汇专业性和文本噪声大，当一般的情感分析模型应用于汽车评论时，模型的准确性会很差。为了克服上述挑战，我们针对汽车评论文本的情感分析任务。从词向量的角度出发，利用汽车领域专有词汇的全词掩码进行预训练，然后采用对抗训练集的策略进行训练数据。在此基础上，提出了一种基于对抗训练和整词掩码BERT的汽车评论文本情感分析模型（ATWWM-BERT）。
2022-06-06 cs.CL cs.IR
An Improved Text Sentiment Classification Model Using TF-IDF and Next Word Negation
随着文本情感分析的快速发展，对电子文档自动分类的需求也在飞速增长。文本分类或文本挖掘的范式是近年来许多研究工作的主题。在本文中，我们提出了一种文本情感分类技术，使用词频-逆文档频率（TF-IDF）以及下一个词否定（NWN）。我们还比较了二进制词袋模型，TF-IDF模型和TF-IDF与下一个词否定（TF-IDF-NWN）模型的文本分类性能。我们提出的模型，然后应用于三种不同的文本挖掘算法，我们发现线性支持向量机（LSVM）是最适合与我们提出的模型。所取得的结果表明，与早期的方法相比，准确性显着增加。
2018-06-17 cs.CL cs.IR
Sentiment Analysis On Indian Indigenous Languages: A Review On Multilingual Opinion Mining
Dublin Business School（都柏林商学院）
智能手机使用的增加已经影响到互联网和社交媒体平台的使用。最常用的社交媒体平台是Twitter，Facebook，WhatsApp和Instagram。人们在网上分享他们的个人经历，评论，反馈。网络上的信息是非结构化的和巨大的。因此，在理解网络上可用数据的情绪方面有很大的研究范围。情感分析（SA）可以在网络上的评论、反馈、讨论上进行。已经有广泛的研究进行了SA在英语语言，但在网络上的数据也包含不同的其他语言，应加以分析。本文旨在分析，回顾和讨论的方法，算法，研究人员所面临的挑战，而开展的土著语言的SA。
2019-11-28 cs.CL cs.IR cs.LG
Unifying Topic, Sentiment & Preference in an HDP-Based Rating Regression Model for Online Reviews
Drexel University（德雷塞尔大学）；China Central Normal University（华中师范大学）
本文提出了一种新的基于HDP的在线评论评分回归模型--主题-情感-偏好回归分析（TSPRA）。TSPRA将主题（即产品方面），词情感和用户偏好作为回归因素结合起来，并且能够在一个框架中执行主题聚类，评论评级预测，情感分析以及我们发明的“关键方面”分析。TSPRA通过将协同过滤（CF）模型中的关键概念“用户偏好”纳入考虑范围来扩展情感方法，而与当前CF模型不同的是，TSPRA将“用户偏好”和“情感”解耦为独立因素。我们在22个亚马逊数据集上进行的实验显示，在错误率、Pearson相关性和反向对数量方面，与最先进的模型FLAME（2015）相比，评级预测的性能要好得多。对于情感分析，我们将派生的词情感与公共情感资源SenticNet 3进行比较，我们的情感估计在在线评论的背景下显然更有意义。最后，由于“用户偏好”与“情感”的去相关性，TSPRA能够评估一个新的概念“关键方面”，定义为用户严重关注但在评论中负面评论的产品方面。对这些“关键方面”的改进对于增强用户体验可能是最有效的。
2018-12-19 cs.CL cs.IR cs.LG
Sentiment Analysis Using Averaged Weighted Word Vector Features
本文提出两种结合不同类型词向量并利用情感标注评论词频加权的方法进行情感分析，在多个标准基准数据集上验证其性能优于现有最先进方法。
2023-10-15 cs.CL cs.IR
FEUP at SemEval-2017 Task 5: Predicting Sentiment Polarity and Intensity with Financial Word Embeddings
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；LIACC（人工智能与计算机科学实验室）；INESC-TEC（系统与计算机工程、技术与科学研究所）
本文介绍了波尔图大学工程学院开发的方法，参加SemEval 2017，任务5：金融微博和新闻的细粒度情感分析。该任务包括预测一个从-1.0到+1.0的实际连续变量，代表对短文本中提到的公司/股票的情绪的极性和强度。我们将任务建模为回归分析问题，并将传统技术（如预处理短文本，词袋表示和基于词汇的特征）与增强的金融特定嵌入袋相结合。我们使用了一个外部集合的推文和新闻标题，提到公司/股票从标准普尔500创建金融词嵌入，能够捕捉特定领域的句法和语义相似性。在子任务5.1 -微博和子任务5.2 -新闻标题中，所得到的余弦相似度得分分别为0.69和0.68。
2017-04-17 cs.CL cs.IR
Topic Based Sentiment Analysis Using Deep Learning
University of Santa Cruz（圣克鲁斯大学）
在本文中，我们使用深度学习来处理以Twitter数据中的主题为条件的情感分析。我们提出了一个2层的方法：在第一阶段，我们创建自己的词嵌入，并看到他们比国家的最先进的嵌入时，与标准的分类器更好地执行。然后，我们对这些嵌入进行推理，以了解关于所有正在考虑的主题的单词的更多信息，以及每个主题的前n个影响词。在第二阶段，我们使用这些嵌入来预测推文对给定主题以及所有其他正在讨论的主题的情感。
2017-10-28 cs.CL cs.IR
Volatility Prediction using Financial Disclosures Sentiments with Word Embedding-based IR Models
波动性预测-金融市场中的一个基本概念-最近已使用情感分析方法加以处理。我们研究了股票市场中公司年度披露的情绪，以预测波动性。我们专门探讨使用最近的信息检索（IR）的长期加权模型，有效地扩展了相关的条款，使用词嵌入。与文本信息平行，事实市场数据已被广泛用作预测市场风险的主流方法。因此，我们研究了不同的融合方法来结合文本和市场数据资源。我们基于词嵌入的方法显著优于最先进的方法。此外，我们还研究了不同金融行业公司的报告特征。
2017-09-28 cs.CE cs.IR
Learning to Attend via Word-Aspect Associative Fusion for Aspect-based Sentiment Analysis
Institute for Infocomm Research（信息通信研究院）；Nanyang Technological University（南洋理工大学）
基于语义的情感分析（ABSA）试图预测给定文档相对于给定方面实体的极性。虽然神经网络架构已经成功地预测句子的整体极性，特定方面的情感分析仍然是一个悬而未决的问题。在本文中，我们提出了一种新的方法集成方面的信息到神经模型。更具体地说，我们将方面的信息到神经模型建模词方面的关系。我们的新模型\textit{Aspect Fusion LSTM}（AF-LSTM）基于句子单词和方面之间的关联关系学习参与，这使得我们的模型能够自适应地关注给定方面术语的正确单词。这改善了其他最先进的模型的缺陷，利用天真的连接来建模词方面的相似性。相反，我们的模型采用循环卷积和循环相关来模拟方面和单词之间的相似性，并将其优雅地纳入可区分的神经注意力框架中。最后，我们的模型是端到端可微的，并且与卷积相关（类似全息）记忆高度相关。我们提出的神经模型在基准数据集上实现了最先进的性能，在多个数据集上的平均性能超过ATAE-LSTM $4\%-5\%$。
2017-12-14 cs.AI cs.CL cs.IR
Sentiment Analysis on Customer Responses
University of Southern California（南加州大学）；Caltech（加州理工学院）
情感分析是计算机科学中发展最快的研究领域之一，这使得跟踪该领域中的所有活动变得具有挑战性。我们提出了一个客户对产品的反馈评论，我们利用意见挖掘，文本挖掘和情感，这已经影响了周围的世界，改变了他们对特定产品的看法。本研究中使用的数据是从Amazon.com收集的在线产品评论。我们对检索到的评论进行了比较情感分析。这篇研究论文为您提供了对智能手机的各种智能手机意见的情感分析，将其分为积极，消极和中性行为。
2020-07-05 cs.CL cs.IR cs.LG
An Efficient Model for Sentiment Analysis of Electronic Product Reviews in Vietnamese
Kyanon Digital（凯诺数字）；Advosights（Advosights公司）；Saigon University（西贡大学）
在过去几年中，越南电子商务和数字营销的增长产生了大量固执己见的数据。分析这些数据将为企业提供更好的业务决策洞察力。在这项工作中，作为Advosights项目的一部分，我们研究了越南语产品评论的情感分析。最终的解决方案是基于自注意神经网络，一个灵活的架构，文本分类任务，约90.16%的准确率在0.0124秒，一个非常快的推理时间。
2019-10-29 cs.CL cs.IR cs.LG
Word frequency and sentiment analysis of twitter messages during Coronavirus pandemic
Ramanujan College (University of Delhi)（德里大学拉马努金学院）；University of Delhi（德里大学）
本文针对COVID-19疫情期间的Twitter消息，采用词频统计（幂律分布拟合）与情感分析方法，揭示了词频模型拟合良好且多数推文呈中性极性。
2024-06-01 cs.CL cs.IR cs.SI
Optimization Of Cross Domain Sentiment Analysis Using Sentiwordnet
Vidyavardhaka College of Engg.（维迪亚瓦尔达卡工程学院）；Government Engineering College, Hassan（哈桑政府工程学院）
评论的情感分析的任务是使用它们自己的手动构建/自动生成的词典资源来执行的，术语与词典匹配以计算正极性和负极性的术语计数。另一方面，Sentiwordnet与其他词典资源完全不同，它为每个单词提供了正极性和负极性的分数（权重）。一个词的极性，即积极的，消极的和中性的，具有范围在0到1之间的分数，指示具有该情感取向的词的强度/权重。在本文中，我们展示了使用Sentiwordnet，我们如何在句子和文档级别上提高分类的性能。
2013-10-08 cs.CL cs.IR
Exploring the Distribution Regularities of User Attention and Sentiment toward Product Aspects in Online Reviews
Nanjing University of Science and Technology（南京理工大学）；Peking University（北京大学）
【目的】为了更好地理解在线评论，帮助潜在消费者、商家和产品制造商有效获取用户对产品方面的评价，从时间维度探讨用户对产品方面的关注和情感的分布规律。[设计/方法/途径]在线评论的时间特征（购买时间、评论时间、以及购买时间与评论时间之间的时间间隔），相似属性聚类，基于京东三款产品超过34万条智能手机评论，采用属性级情感计算技术（国内著名的网上购物平台），探讨用户对产品的关注度和情感的分布规律。[研究结果]实证结果表明，幂律分布可以适合用户的注意力，产品方面，并在短时间间隔内发布的评论包含更多的产品方面。此外，研究结果还表明，在短时间内，产品各方面的用户情感值显著升高/降低，这有助于判断产品的优势和劣势。【研究局限】由于购物平台对评论抓取的限制，本文无法获取更多具有时间特征的商品的在线评论来验证研究结果。[独创性/价值]这项工作揭示了用户对产品方面的注意力和情感的分布，这对于辅助决策，优化评论呈现，改善购物体验具有重要意义。
2022-09-08 cs.CL cs.IR
Sentiment Analysis of Review Datasets Using Naive Bayes and K-NN Classifier
Heritage Institute of Technology（遗产技术学院）；Institute of Engineering & Management（工程与管理学院）
Web 2.0的出现导致了Web中可用的情感内容数量的增加。这样的内容通常以电影或产品评论、用户评论、推荐、论坛中的消息等形式出现在社交媒体网站中。及时发现情感或固执己见的网络内容具有许多优点，其中最重要的是货币化。了解大众对不同实体和产品的情感，可以为上下文广告、推荐系统和市场趋势分析提供更好的服务。我们项目的重点是情感集中的网络爬行框架，以方便快速发现电影评论和酒店评论的情感内容，并进行分析。我们使用统计方法来捕捉主观风格和句子极性的元素。本文详细讨论了两种有监督的机器学习算法：K-最近邻（K-NN）和朴素贝叶斯（Naive Bayes），并比较了它们的总体准确率、精确率和召回率。可以看出，在电影评论的情况下，朴素贝叶斯给出了比K-NN好得多的结果，但对于酒店评论，这些算法给出了较少的，几乎相同的准确性。
2016-10-31 cs.CL cs.IR
Emotion and Sentiment Lexicon Impact on Sentiment Analysis Applied to Book Reviews
消费者习惯于在购买产品之前在互联网上查阅发布的评论。但考虑到这些评论的重要数量，很难知道全球的意见。情感分析提供检测极性（积极，消极，中性）在表达意见，从而分类这些评论。我们的目的是确定情绪对书评极性的影响。我们定义的“袋的话”表示模型的评论，其中使用的词汇包含情感（预期，悲伤，恐惧，愤怒，喜悦，惊喜，信任，厌恶）和感伤（积极，消极）的话。该词典提供了测量读者感受到的情感类型的工具。所使用的实现的监督学习是随机森林类型。该应用程序涉及亚马逊平台的评论。情感分类：情感分析，情感分析（文本），情感分类
2020-01-22 cs.IR cs.SI
Sentimental Content Analysis and Knowledge Extraction from News Articles
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）
在网络时代，由于技术的进步，人类的生活发生了革命性的变化，每天都有大量的数据和信息发布在互联网上。例如，新闻机构在世界各地的网站上发布新闻。这些原始数据可能是知识提取的重要资源。这些共享数据包含情感（即，积极的、中性的或消极的）;因此，情感内容提取在许多方面可以是有益的任务。提取新闻的情感说明了在一段时间内关于事件的非常有价值的信息，媒体或新闻机构对这些事件的观点。在本文中，试图提出一种方法，新闻分析，并从中提取有用的知识。首先，我们尝试提取新闻文档的噪声鲁棒情感;因此，下载与六个国家相关的新闻：美国，英国，德国，加拿大，法国和澳大利亚，5个不同的新闻类别：政治，体育，商业，娱乐和技术。本文在提取新闻文本中的情感内容的基础上，对不同国家在每5个新闻主题中的情况进行了比较。此外，我们提出了一种方法，以减少庞大的新闻数据，提取最热门的话题和新闻标题作为知识。最后，我们生成一个词模型，通过Word 2 Vec将每个词映射到一个固定大小的向量，以了解我们收集的新闻数据库中的词之间的关系。
2018-08-09 cs.CL cs.IR
Aspect-Based Sentiment Evolution and its Correlation with Review Rounds in Multi-Round Peer Reviews: A Deep Learning Approach
Department of Information Management, Nanjing University of Science and Technology（南京理工大学信息管理学院）；School of Economics and Management, East China Normal University（华东师范大学经济管理学院）
本研究利用深度学习方法从多轮同行评审文本中提取方面级情感，发现随着评审轮次增加，正面情感比例上升、负面情感下降，且方面情感得分与总轮次负相关。
2026-06-24 cs.CL cs.DL cs.HC
SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation
University of Science and Technology of China（中国科学技术大学）；Ant Group（蚂蚁集团）
最近的研究在推荐系统中已经成功地实现了显着改善的性能，利用评论的评级预测。然而，尽管被广泛研究，这些方法仍然受到一些限制。首先，以往的研究要么对文档进行编码，要么通过神经网络提取潜在的情感，难以直观地解释评论者的情感。其次，他们忽视了评论与用户/项目的个性化交互，即，当对用户/项目的情感偏好进行建模时，每个评论具有不同的贡献。为了解决这些问题，我们提出了一个情感感知的交互式融合网络（SIFN）的评论为基础的项目推荐。具体来说，我们首先通过BERT编码用户/项目评论，并提出了一个轻量级的情感学习器来提取每个评论的语义特征。然后，我们提出了一个情感预测任务，引导情感学习器通过明确的情感标签来提取情感感知特征。最后，我们设计了一个评级预测任务，该任务包含一个评级学习器，该评级学习器具有一个交互和融合模块来融合身份（即，用户和项目ID）和每个评论表示，使得各种交互式特征可以协同地影响最终评级分数。在五个真实数据集上的实验结果表明，该模型优于现有的模型。
2021-08-18 cs.AI cs.IR
Fusing location and text features for sentiment classification
地理标记的Twitter数据最近被用来推断社交媒体人性化方面的见解。在最近的研究中，人们已经从带有地理标签的twitter数据中挖掘出了与人口统计、文化活动的空间分布、人类的时空旅行轨迹以及幸福感相关的见解。到目前为止，还没有太多的研究已经做了一个推文的地理定位功能对其情绪的影响。这一观察启发了我们提出使用地理位置特征作为执行情感分类的方法。在该方法中，通过将地理位置特征和独热编码词向量连接起来作为卷积神经网络（CNN）和长短期记忆（LSTM）网络的输入来执行地理标记推文的情感分类。以地理位置特征的形式添加与语言无关的特征有助于丰富推文表示，以对抗短推文消息的稀疏性。所取得的结果表明，与单独使用词向量进行情感分类相比，将地理位置特征连接到独热编码词向量可以实现更高的准确性。
2019-07-28 cs.CL cs.IR cs.SI
Relation Analysis between Hotel Review Rating Scores and Sentiment Analysis of Reviews by Chinese Tourists Visiting Japan
在当今时代，在线酒店评论网站的重要性已经变得越来越明显。这些网站的用户引用评论强烈影响他们的购买行为，因此，评论对公司和研究人员都很重要。大多数评论网站提供文本评论和数字酒店评级，这两种信息源被研究人员广泛用作客户情绪和意见的代表。然而，意见是一个难以衡量的概念，因此，取决于这两个来源的关系，在研究中平等地考虑它们是否安全是显而易见的。本文利用基于熵的支持向量机对携程网酒店点评中的正面和负面情绪进行分类，计算正面和负面情绪的比例，并利用Spearman和Kendall相关系数和最大信息系数（MIC）检验正面和负面情绪与点评评分的相关性。
2021-10-02 cs.IR
