Multimodal Analysis of memes for sentiment extraction
PES University（PES大学）
模因是社交媒体传播中最普遍的形式之一。模因具有多媒体的特性，其研究和加工是当前的热门话题。本研究中提出的研究是基于Memotion数据集，其中包括基于讽刺，喜剧，动机和整体情绪的分类模因。三个独立的创新transformer为基础的技术已经开发出来，他们的结果已经彻底检讨。最好的算法实现了宏观F1分数为0.633的幽默分类，0.55的动机分类，0.61的讽刺分类，和0.575的整体情绪的模因出我们所有的技术。
2021-12-22 cs.AI cs.CL cs.CV
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
Emoji Sentiment Scores of Writers using Odds Ratio and Fisher Exact Test
UAE University（阿联酋大学）
给定表情符号的情感传统上是通过对各个用户对表情符号出现的给定上下文给出的评级{-1，0或+1}进行平均来计算的。然而，使用这样的公式使统计显著性分析复杂化，特别是对于低样本量。在这里，我们使用赔率提供情感得分，并将情感映射到4图标尺度。我们展示了优势比统计如何导致更简单的情感分析。最后，我们提供了一个情感得分列表，其中包含最常见表情符号的经常缺失的精确p值和CI。
2018-08-21 cs.CL
Polarity and Intensity: the Two Aspects of Sentiment Analysis
当前的多模态情感分析将情感得分预测框架为一般的机器学习任务。然而，情绪分数实际上代表了什么往往被忽视。作为对意见和情感状态的测量，情感得分通常包括两个方面：极性和强度。我们将情感分数分解为这两个方面，并研究它们是如何在自然主义独白环境中通过个体模态和组合多模态模型传达的。特别是，我们建立了单模态和多模态多任务学习模型，情感得分预测作为主要任务，极性和/或强度分类作为辅助任务。我们的实验表明，情感分析受益于多任务学习，和个人的方式不同时，传达的极性和强度方面的情绪。
2018-07-04 cs.CL
Syrupy Mouthfeel and Hints of Chocolate -- Predicting Coffee Review Scores using Text Based Sentiment
Trinity College Dublin（都柏林圣三一学院）
本文使用认证（q级）咖啡评论中包含的文本数据来预测0 - 100范围内的相应分数。通过在预测器空间中转换这种高度专业化和标准化的文本数据，我们构建了回归模型，这些模型准确地捕获了相应咖啡豆评分中的模式。
2023-01-29 cs.CL
Continuous sentiment scores for literary and multilingual contexts
Center for Humanities Computing, Aarhus University（人文计算中心，奥胡斯大学）
针对文学文本情感分析的现有工具存在性能不足、标签粒度粗的问题，本文提出基于概念向量投影、在多语言文学数据上训练的连续情感评分方法，在英语、丹麦语文本上表现优于现有工具，分数与人类评分匹配度更高。
2025-11-18 cs.CL
FinXABSA: Explainable Finance through Aspect-Based Sentiment Analysis
Asian Institute of Digital Finance（亚洲数字金融学院）；National University of Singapore（新加坡国立大学）；School of Computer Science and Engineering（计算机科学与工程学院）；Nanyang Technological University（南洋理工大学）；Institute of High Performance Computing (IHPC)（高性能计算研究所）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；College of Design & Engineering（设计与工程学院）
本文提出FinXABSA方法，结合基于方面的情感分析、皮尔逊相关、格兰杰因果和不确定性系数，揭示方面情感得分与股价间的统计关系，为AI驱动的金融决策提供可解释性。
2023-10-14 cs.CL
Benchmarking sentiment analysis methods for large-scale texts: A case for using continuum-scored words and word shift graphs
University of Vermont（佛蒙特大学）；The MITRE Corporation（MITRE公司）；University of California, Berkeley（加州大学伯克利分校）
社交媒体的出现和全球采用使得对人口规模情绪的实时估计成为可能，对我们理解人类行为产生了深远的影响。鉴于情绪测量工具的种类越来越多，显然需要对它们进行比较。在这里，我们进行了详细的测试6字典为基础的方法应用于4个不同的语料库，并简要地检查了进一步的20种方法。我们表明，一个基于字典的方法将只执行可靠和有意义的，如果（1）字典涵盖了足够大的足够大的一部分给定的文本的词典时，加权词的使用频率;和（2）的话，连续的规模评分。
2016-09-07 cs.CL
The Classics at SemEval-2026 Task 3: Combining Transformer Models and LLM-Generated Annotations for Dimensional Aspect-Based Sentiment Analysis
HSE University（俄罗斯高等经济研究大学）
研究超越传统分类情感，预测情感“效价”和“唤醒”细粒度实值分数的方法。回归任务用基于变压器的编码器模型加权集成，俄语用大语言模型增强输入，提取任务微调解码器大语言模型进行结构化预测。
2026-07-07 cs.CL
ConTrip: Consensus Sentiment review Analysis and Platform ratings in a single score
IRB Barcelona（巴塞罗那生物医学研究所）；Universitat Politècnica de València（瓦伦西亚理工大学）
人们毫不含糊地使用评论来决定在互联网上购买物品或体验。在这方面，意见的重要性和数量不断增加，导致开发了自动评估其情感内容的方法。然而，模型并不能直接创建一个共识值，该值体现了不同评论的一致性，并区分了对一个项目的平等评级。基于Nguyen等人在2020年提出的方法，我们推导出一种名为Contrip的新型共识值，该值将他们的共识得分和平台对某个项目的总体评分合并在一起。ConTrip在于评级范围值，这使得它更容易解释，同时保持区分同等评级体验的能力。ConTrip是在MIT许可下实现的，可在https://github.com/pepebonet/contripscore上免费获得
2022-01-06 cs.CL
Sentiment Dynamics of Success: Fractal Scaling of Story Arcs Predicts Reader Preferences
我们探讨了H的情感弧之间的相关性。C.安徒生童话及其受欢迎程度，以其在GoodReads平台上的平均得分衡量。具体来说，我们并不认为一个故事的整体情感趋势是预测性的\textit{per se}，但我们关注的是它的连贯性和可预测性随着时间的推移，所代表的弧的赫斯特指数。我们发现，降低赫斯特值往往意味着降低质量分数，而赫斯特指数在0.55和0.65之间可能表明文学欣赏的“甜蜜点”。
2021-12-14 cs.CL
A Multi-Source Entity-Level Sentiment Corpus for the Financial Domain: The FinLin Corpus
Insight Centre for Data Analytics（洞察数据分析中心）；National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）
我们介绍FinLin，这是一个新颖的语料库，包含来自StockTwits的投资者报告，公司报告，新闻文章和微博，针对来自汽车行业的多个实体，覆盖3个月的时间。FinLin分别用范围为[-1.0，1.0]和[0.0，1.0]的情感得分和相关性得分进行注释。注释还包括为情感选择的文本跨度，从而提供对注释者推理的额外洞察。总的来说，FinLin旨在通过提供一个新颖的和公开的金融情绪语料库来补充现有的知识，并促进对金融情感分析主题的研究和在行为科学中的潜在应用。
2020-03-09 cs.CL
Sentiment Analysis: How to Derive Prior Polarities from SentiWordNet
Trento RISE（特伦托RISE）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
对于情感分析来说，为脱离上下文的单词（即单词的先验极性）分配正或负分数是一项具有挑战性的任务。在文献中，已经提出了基于SentiWordNet的各种方法。在本文中，我们将最常用的技术与新提出的技术进行比较，并将所有这些技术都纳入一个学习框架中，看看混合它们是否可以进一步提高先验极性分数的估计。使用两个不同版本的SentiWordNet并跨任务和数据集测试回归和分类模型，我们的学习方法始终优于单一指标，为情感分析提供了一种计算单词先验极性的新方法。我们得出结论，我们的调查显示有趣的偏见，在计算前的极性分数时，词的词性和注释者的性别被认为是。
2013-09-23 cs.CL
Capturing Reliable Fine-Grained Sentiment Associations by Crowdsourcing and Best-Worst Scaling
National Research Council Canada（加拿大国家研究委员会）
对词-情感关联的访问对于许多应用是有用的，包括情感分析、立场检测和语言分析。然而，手动分配细粒度的情感关联分数的话有很多挑战方面保持注释一致。我们应用最佳-最差缩放的注释技术来获得三个不同领域中的单词和短语的实值情感关联得分：普通英语，英语Twitter和阿拉伯语Twitter。我们表明，在所有三个领域的排名的话，情绪保持显着一致，即使注释过程中重复与不同的一组注释。我们还首次确定了一种语言的母语者可以感知的情感关联的最小差异。
2017-12-05 cs.CL
Sentiment Composition of Words with Opposing Polarities
National Research Council Canada（加拿大国家研究委员会）
在本文中，我们探讨了至少有一个积极的和至少有一个消极的词的短语的情感成分-像“快乐的意外”和“最好的寒假”的短语。我们编制了一个这样的相反极性短语的数据集，并手动注释它们与情感关联的实值分数。使用这个数据集，我们分析了存在于相反极性短语中的语言模式。最后，我们应用了几种无监督和有监督的情感合成技术来确定它们在该数据集上的有效性。我们最好的系统，它结合了从短语的成分，他们的词性，他们的情感关联分数，和他们的嵌入向量的信息，获得了超过80%的准确性对相反的极性短语。
2018-05-11 cs.CL
A Comparison of Lexicon-Based and ML-Based Sentiment Analysis: Are There Outlier Words?
Dublin City University（都柏林城市大学）
本文比较基于词典的Hedonometer与基于机器学习的Azure在4个领域超15万文本上的情感得分，发现词的重要性因领域而异，且无系统性导致差异的异常词。
2023-11-10 cs.CL
NRC-Canada: Building the State-of-the-Art in Sentiment Analysis of Tweets
National Research Council Canada（加拿大国家研究委员会）
在本文中，我们描述了我们如何创建两个最先进的SVM分类器，一个用于检测消息的情感，如推文和短信（消息级任务），另一个用于检测提交中的一个术语的情感，在推文的两个任务中均为第一，在消息级任务中获得69.02的F分数，在术语级任务中获得88.93的F分数。我们实现了各种表面形式，语义和情感特征。一个是情感词标签，另一个是表情符号在消息层面的任务中，基于词汇的功能提供了5个F分数点的增益。我们的两个系统都可以通过现有资源复制。
2013-08-28 cs.CL
Detecting Abnormal User Feedback Patterns through Temporal Sentiment Aggregation
Khoury College of Computer Science Northeastern University Boston, United States；College of Engineering Northeastern University Boston, United States；College of Professional Studies Northeastern University Boston, United States
本文提出基于预训练Transformer模型的时间情感聚合框架，通过聚合评论情感信号检测用户反馈模式中的异常变化，实验证明其在社交媒体数据中有效识别显著情感下降。
2026-03-11 cs.CL
Sentiment Analysis on Financial News Headlines using Training Dataset Augmentation
University of Waterloo（滑铁卢大学）
本文讨论了UWaterloo团队为解决SemEval 2017任务5提出的细粒度情感分析问题所采取的方法。本文介绍了文档矢量化和情感得分预测技术，以及在构建系统时所采取的设计和实施决策。该系统使用文本向量化模型，如N-gram，TF-IDF和段落嵌入，结合回归模型变量来预测情感得分。在检查的方法中，一元和二元再加上简单的线性回归获得了最好的基线精度。本文还探讨了数据增强方法来补充训练数据集。该系统是为子任务2（新闻声明和标题）设计的。
2017-07-29 cs.CL
Sentiment Analysis: Predicting Yelp Scores
Carnegie Mellon University（卡内基梅隆大学）
在这项工作中，我们基于Yelp开放数据集的一个子集来预测餐馆评论的情绪。我们利用数据集中可用的Meta特征和文本，并评估几种机器学习和最先进的深度学习方法来执行预测任务。通过几个定性实验，我们展示了具有注意力机制的深度模型在学习不同餐馆评论的平衡模型方面的成功。最后，我们提出了一种新的多任务联合BERT模型，提高了整体分类性能。
2022-01-20 cs.CL cs.LG
Is Sentiment Banana-Shaped? Exploring the Geometry and Portability of Sentiment Concept Vectors
Aarhus University（奥胡斯大学）
本文评估了概念向量投影在不同领域、历史时期和语言中的可移植性，发现其在不同语料库间转移时性能损失小，并探讨了其线性假设的近似性。
2026-04-08 cs.CL
KazSAnDRA: Kazakh Sentiment Analysis Dataset of Reviews and Attitudes
本研究发布了首个且最大的哈萨克语公开情感分析数据集KazSAnDRA，含18万余条带评分的评论，同时训练评估了4个情感分类模型，最优模型极性分类F1达0.81，相关资源开源开放。
2024-04-09 cs.CL
A Clustering Analysis of Tweet Length and its Relation to Sentiment
Columbus State University（哥伦布州立大学）
执行Twitter数据的情感分析。研究者通过本文做出了以下贡献：（1）探索了一种使用现有情感词典作为种子词来推导情感得分词典的创新方法，以及（2）基于推文长度进行聚类推文情感得分分析。
2015-02-18 cs.CL cs.IR cs.SI
Leveraging Sentiment to Compute Word Similarity
在本文中，我们介绍了一种新的基于WordNet的相似性度量，SenSim，它包含情感内容（即，积极或消极情绪的程度）来测量它们之间的相似性。所提出的度量是基于这样的假设，即知道的情绪是有益的，在测量的相似性。为了验证这一假设，我们测量并比较了两种注释策略的注释者一致性：1）注释时考虑一对词的情感信息，2）注释时不考虑一对词的情感信息。注释者之间的相关性分数表明，当两个注释者考虑情感信息，同时为一对单词分配相似性分数时，协议更好。我们使用这个假设来衡量一对词之间的相似性。具体来说，我们将每个单词表示为一个向量，该向量包含该单词意义的WordNet注释中所有内容单词的情感得分。这些情感得分是从情感词典中导出的。然后，我们测量两个向量之间的余弦相似性。我们执行的SenSim的内在和外在的评价和比较性能与其他广泛使用的WordNet相似性指标。
2012-09-18 cs.CL cs.IR
Sarcasm SIGN: Interpreting Sarcasm with Sentiment Based Monolingual Machine Translation
Technion, IIT（以色列理工学院）
讽刺是一种说话的形式，说话者为了表达强烈的感情而说出与真实意思相反的话。换句话说，“讽刺是我所说的和不明白的人之间的巨大鸿沟。".在本文中，我们提出了一个新的任务，讽刺的解释，定义为一个非讽刺话语传达相同的信息作为原来的讽刺之一的生成。我们介绍了一个新的数据集的3000个讽刺的推文，每个解释由五个人类法官。针对单语机器翻译（MT）的任务，我们实验MT算法和评估措施。然后，我们提出了SIGN：一个基于MT的讽刺解释算法，目标是情感词，文本讽刺的定义元素。我们发现，虽然基于n-gram的自动测量的分数对于所有解释模型都是相似的，但SIGN的解释在充足性和情感极性方面被人类得分更高。最后，我们讨论了未来的研究方向，我们的新任务。
2017-04-22 cs.CL
Multi-Aspect Sentiment Analysis with Latent Sentiment-Aspect Attribution
University of Houston（休斯顿大学）
在本文中，我们介绍了一个新的框架，称为情感方面归因模块（SAAM）。SAAM工作在传统的神经网络之上，旨在解决多方面的情感分类和情感回归问题。该框架的工作原理是利用文件级嵌入功能和文档级方面评分的变化之间的相关性。我们在基于CNN和RNN的模型之上展示了我们框架的几种变体。在酒店评论数据集和啤酒评论数据集上的实验表明，SAAM可以提高相应基础模型的情感分析性能。此外，由于我们的框架直观地将文档级分数与文档级分数结合在一起，因此能够更深入地了解数据（例如，半监督句子体标记）。因此，我们以详细的分析结束了本文，展示了我们的模型在其他应用中的潜力，如情感片段提取。
2020-12-15 cs.CL cs.LG
Enhanced Sentiment Analysis of Iranian Restaurant Reviews Utilizing Sentiment Intensity Analyzer & Fuzzy Logic
Tarbiat Modares University（塔比亚特·莫达雷斯大学）
针对 VADER 在伊朗餐厅评论情感分析中的中性偏差，提出平方根与四次方根变换并结合模糊推理系统，显著提升情感强度识别效果。
2025-03-15 cs.CL cs.CV
A Survey: Credit Sentiment Score Prediction
BRAC University（BRAC大学）
银行和其他非政府组织仍然使用手工审批来批准贷款。这需要时间，而且容易出错，因为它是由银行雇员控制的。机器学习挖掘技术的几个领域已被用于增强信用评级预测的各个领域。这项研究的一个主要目标是研究目前用于产生信誉的情感分析技术。
2022-09-30 cs.CL cs.LG q-fin.GN
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
Unsupervised Sentiment Analysis for Code-mixed Data
IIIT-Delhi（德里英迪拉·甘地信息技术学院）
语码混合是指在两种或两种以上语言之间交替使用。它主要见于多语言社会，其发生率正在增加，因此其重要性也在增加。情感分析研究的主要部分是单语言的，并且大多数在代码混合文本上表现不佳。在这项工作中，我们介绍的方法，使用不同种类的多语言和跨语言的嵌入，有效地将知识从单语文本的代码混合文本的情感分析的代码混合文本。我们的方法可以通过一个零样本学习处理代码混合文本。我们的方法在英语-西班牙语代码混合情感分析上以绝对3\%的F1分数击败了最先进的方法。我们能够实现0.58的F1分数（无平行语料库）和0.62的F1分数（有平行语料库）在同一基准在一个zero-shot的方式相比，0.68的F1分数在监督设置。我们的代码是公开的。
2020-01-20 cs.AI cs.CL
Do we still need Human Annotators? Prompting Large Language Models for Aspect Sentiment Quad Prediction
Media Informatics Group University of Regensburg（媒体信息学组德国雷根萨大学）
本研究探讨了大型语言模型在五个数据集上执行方面情感四元组预测（ASQP）的零样本和少样本学习能力，发现其F1分数接近最先进的微调模型，能有效减少人工标注需求。
2025-05-28 cs.CL
ZZU-NLP at SIGHAN-2024 dimABSA Task: Aspect-Based Sentiment Analysis with Coarse-to-Fine In-context Learning
School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院）
针对DimABSA细粒度情感强度预测任务，本文提出基于Baichuan2-7B的由粗到细上下文学习方法，通过固定示例初预测和BERT相似度筛选优化上下文示例，有效提升预测准确性与一致性。
2024-07-22 cs.CL
The relationship between sentiment score and COVID-19 cases in the United States
Illinois State University（伊利诺伊州立大学）
冠状病毒病（COVID-19）继续在全球造成破坏性影响。没有一个国家能够摆脱这一流行病带来的不确定性。与之相关的健康、社会和经济损失正在所有年龄、性别和种族的人中引起强烈的情绪和恐惧。自COVID-19疫情开始以来，许多人通过Twitter表达了他们对生活各个方面的感受和意见。在这项研究中，我们考虑了一个框架，用于从COVID-19相关推文中提取情感评分和意见。我们将用户情绪与美国各地的COVID-19病例联系起来，并调查特定COVID-19里程碑对公众情绪的影响。这项工作的结果可能有助于制定与大流行病有关的立法，作为科学工作的指南，并就与大流行病有关的核心问题向公众提供信息和教育。
2022-01-09 cs.CL cs.CY cs.SI
TriLex: A Framework for Multilingual Sentiment Analysis in Low-Resource South African Languages
University of Pretoria（比勒陀利亚大学）
TriLex框架通过三阶段检索增强方法，系统扩展低资源南非语言的情感词典，提升多语言情感分析性能。
2025-12-02 cs.CL
Sentiment Analysis with Deep Learning Models: A Comparative Study on a Decade of Sinhala Language Facebook Data
University of Moratuwa（莫拉图瓦大学）；LIRNEasia
Facebook帖子和相应的反应特征之间的关系是一个值得探索和理解的有趣主题。为了实现这一目标，我们测试了最先进的僧伽罗语情感分析模型对一个数据集包含十年价值的僧伽罗语职位数百万的反应。为了建立基准并确定僧伽罗情绪分析的最佳模型，我们还在相同的数据集配置上测试了其他适合情感分析的深度学习模型。在这项研究中，我们报告说，3层双向LSTM模型在僧伽罗语情感分析中获得了84.58%的F1分数，超过了目前最先进的模型; Capsule B只能获得82.04%的F1分数。此外，由于所有的深度学习模型都显示F1分数高于75%，我们得出结论，可以安全地声称Facebook反应适合预测文本的情绪。
2022-01-14 cs.CL cs.LG
Implicit Sentiment Analysis Based on Chain of Thought Prompting
China Telecom Shanghai Company（中国电信上海公司）；Stanford University（斯坦福大学）
本文针对隐式情感分析问题，受思维链启发提出了SAoT框架，通过分析隐式方面与观点并反思推导情感极性，结合ERNIE-Bot-4模型在SemEval 2014数据集上显著超越基线并提升了各项指标。
2024-08-22 cs.AI cs.CL
Tweet Sentiment Extraction using Viterbi Algorithm with Transfer Learning
PARIS CITÉ UNIVERSITY（巴黎西岱大学）
本文改进维特比算法以接收预训练参数，并引入置信度分数与向量进行内部评估和微调，从而提升推文情感抽取的可解释性与准确性。
2023-08-11 cs.AI cs.CL
RoIt-XMASA: Multi-Domain Multilingual Sentiment Analysis Dataset for Romanian and Italian
National University of Science and Technology POLITEHNICA Bucharest（波兰科技大学布加勒斯特分校）
本文构建了包含36,000条标注和202,141条未标注样本的罗马尼亚语和意大利语多领域情感分析数据集RoIt-XMASA，并提出一种基于元学习损失反转的多目标对抗训练框架，在XLM-R上取得66.23%的F1分数，比基线提升4.64%。
2026-05-22 cs.CL
Psychological State in Text: A Limitation of Sentiment Analysis
Department of Computer Science & Engineering, Seoul National University（首尔国立大学计算机科学与工程系）；Department of Psychology, Seokyeong University（锡京大学心理学系）
从情感分析模型应该能够预测一个人的积极或消极的，但也有其他心理状态的想法，我们实现了一个情感分析模型，调查模型和情感状态之间的关系。我们首先检查了64名参与者的心理测量结果，并要求他们写一篇关于一个故事的读书报告。之后，我们使用抓取的电影评论数据训练我们的情感分析模型。最后，我们使用预训练模型作为迁移学习的概念来评估参与者的写作。结果表明，情感分析模型在预测分数方面表现良好，但分数与人的自我检查的情感没有任何相关性。
2018-06-03 cs.AI cs.CL
Reed at SemEval-2020 Task 9: Fine-Tuning and Bag-of-Words Approaches to Code-Mixed Sentiment Analysis
Reed College（里德学院）
我们探索的任务情感分析的印度式英语（代码混合印度语-英语）推文的SemEval-2020比赛的任务9的参与者，被称为SentiMix任务。我们有两个主要的方法：1）通过微调预训练的BERT模型来应用迁移学习，以及2）在词袋表示上训练前馈神经网络。在比赛的评估阶段，我们使用最佳模型获得了71.3%的F分数，这使得$4^{th}$在官方系统排名中脱颖而出。
2020-08-04 cs.CL
Sentiment Analysis of German Twitter
本文探讨了人们如何在德国Twitter上表达自己的意见的方式，研究了目前的方法来自动挖掘这些感情，并提出了新的方法，这优于国家的最先进的技术。为了这个目的，我介绍了一个新的语料库的德国推文，已手动注释的情绪，他们的目标和持有人，以及极性条款和他们的上下文修饰符。使用这些数据，我探索情感研究的四个主要领域：（i）情感词典的生成，（ii）细粒度的意见挖掘，（iii）消息级别的极性分类，（iv）话语感知情感分析。在第一个任务中，我比较了三个流行的组的词典生成方法：字典，语料库，和词嵌入为基础的，发现基于字典的系统一般产生更好的词典比后两组。除此之外，我提出了一个线性投影算法，其结果超过了许多现有的自动词典。之后，在第二个任务中，我研究了两种常见的自动预测情感，来源和目标的方法：条件随机场和递归神经网络，前者模型获得更高的分数，并通过重新定义CRF图的结构进一步改善这些结果。在处理消息级别的极性分类时，我将三种主要的情感范式并列：基于词汇的系统、基于机器学习的系统和基于深度学习的系统，并试图通过引入具有基于词汇的注意力的双向神经网络来统一第一组和最后一组。最后，为了使新的分类器意识到话语结构，我让它分别分析每个微博的基本话语单位，并推断出一个消息的整体极性从其EDU的分数的帮助下，两个新的方法：潜在边缘化的CRF和递归Dirichlet过程。
2019-11-29 cs.CL
Statistical Analysis on E-Commerce Reviews, with Sentiment Classification using Bidirectional Recurrent Neural Network (RNN)
了解客户的情绪是至关重要的营销策略今天。它不仅可以让公司了解客户如何看待他们的产品和/或服务，还可以让他们了解如何改进他们的产品和服务。本文试图了解女性服装电子商业的客户评论中不同变量的相关性，并对每个评论进行分类，是否推荐被评论的产品，以及它是否包含积极，消极或中性的情绪。为了实现这些目标，我们对除评论标题和评论文本之外的数据集特征进行了单变量和多变量分析，并实现了一个具有长短期记忆单元（LSTM）的双向循环神经网络（RNN）用于推荐和情感分类。结果表明，推荐是积极情绪得分的有力指标，反之亦然。另一方面，产品评论中的评级是情感得分的模糊指标。我们还发现，双向LSTM能够达到F1分数0.88的推荐分类和0.93的情感分类。
2020-06-16 cs.CL cs.LG stat.ML
A Generic NLI approach for Classification of Sentiment Associated with Therapies
Institute for Infocomm Research, Agency for Science Technology and Research（新加坡科技研究局信息通信研究所）
该研究提出基于NLI的句子对分类方法并训练transformer模型，用于SMM4H 2023疗法相关情感分类任务，最佳模型F1达75.22%，显著优于参赛队伍均值与中位数。
2023-11-28 cs.AI cs.CL
A new ANEW: Evaluation of a word list for sentiment analysis in microblogs
DTU Informatics, Technical University of Denmark（丹麦技术大学信息学系）
对微博（如Twitter）的情感分析最近获得了相当多的关注。最简单的情感分析方法之一是将帖子中的单词与标记单词列表进行比较，其中每个单词都根据效价进行评分，即“情感词典”或“情感单词列表”。存在几个情感词列表，例如，ANEW（英语词汇情感规范）是在微博和情感分析出现之前发展起来的。我想研究ANEW和其他单词列表在检测微博帖子中的情感强度方面的表现，并与专门为微博构建的新词列表进行比较。我使用的是Twitter上手动标记的帖子，这些帖子的情绪评分。使用一个简单的单词匹配，我表明，新的单词列表可能比ANEW更好地执行，虽然不如SentiStrength中发现的更精细的方法。
2011-03-15 cs.CL cs.IR
WESSA at SemEval-2020 Task 9: Code-Mixed Sentiment Analysis using Transformers
WideBot
在本文中，我们描述了我们的系统提交的SemEval 2020任务9，情感分析代码混合社交媒体文本以及其他实验。我们表现最好的系统是一个基于迁移学习的模型，该模型对“XLM-RoBERTA”进行了微调，这是一个基于transformer的多语言掩蔽语言模型，用于单语英语和西班牙语数据以及西班牙语-英语代码混合数据。我们的系统通过使用测试集在官方排行榜上获得70.1%的平均F1分数，超过了官方任务基线。对于以后的提交，我们的系统设法在使用CodaLab用户名“ahmed 0 sultan”的测试集上实现75.9%的平均F1分数。
2020-09-21 cs.AI cs.CL
Words that Matter: The Impact of Negative Words on News Sentiment and Stock Market Index
Korea University（高丽大学）；University of St. Gallen（圣加仑大学）
该研究基于45,723篇韩国经济新闻，利用Word2Vec和余弦相似度构建包含前1,000个负面词的增强词典Sent1000，证明其比原始词典Sent0更能有效捕捉新闻情绪对KOSPI200指数的影响。
2024-02-23 cs.CL
Contextual Sentence Analysis for the Sentiment Prediction on Financial Data
Trading Central Labs（Trading Central 实验室）
通讯和社交网络可以反映分析师和公众对公司提供的产品和/或服务的观点。因此，对这些文本进行情感分析，可以为投资者在市场中进行交易提供有用的信息。在本文中，一个层次堆栈的Transformers模型提出了识别与公司和股票相关的情绪，通过预测一个分数（数据类型真正的）在-1和+1之间的范围。具体来说，我们微调了一个RoBERTa模型来处理标题和微博，并将其与额外的Transformer层相结合，用情感词典处理句子分析，以改善情感分析。我们根据SemEval-2017 task 5发布的财务数据对其进行了评估，我们的提议优于SemEval-2017 task 5的最佳系统和强大的基线。事实上，上下文句子分析与金融和一般情感词典的结合为我们的模型提供了有用的信息，并使其能够生成更可靠的情感得分。
2021-12-27 cs.CL cs.LG
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
Generating Sentiment Lexicons for German Twitter
University of Potsdam（波茨坦大学）
尽管在开发新的英语情感词典生成（SLG）方法方面取得了实质性进展，但将这些方法以合理的方式转移到其他语言和领域的任务仍然是开放的。在本文中，我们有助于解决这个问题，通过系统地比较半自动翻译常见的英语极性列表与原始的自动SLG算法的结果，直接应用于德国的数据。我们评估这些词汇的语料库7,992手动注释的推文。除此之外，我们还整理了基于词典和语料库的SLG方法的结果，以找出这些范式中哪一种更适合于社交媒体固有的嘈杂领域。我们的实验表明，半自动翻译显着优于自动系统（达到宏观平均F1分数为0.589），并基于词典的技术产生更好的极性列表相比，基于语料库的方法（其最好的F1分数分别高达0.479和0.419），即使是非标准的Twitter体裁。
2016-10-31 cs.CL
RideKE: Leveraging Low-Resource, User-Generated Twitter Content for Sentiment and Emotion Detection in Kenyan Code-Switched Dataset
University of Minnesota -Twin Cities（明尼苏达大学双城校区）
针对Twitter低资源语言数据因语码转换等问题难以利用的挑战，分析肯尼亚语码转换数据，用监督和半监督方法评估四种SOTA模型，发现XLM-R在情感分析、DistilBERT在情绪分析中表现较好，为低资源语码转换数据的情感情绪检测提供了参考。
2025-02-10 cs.AI cs.CL
Enhanced Sentiment Interpretation via a Lexicon-Fuzzy-Transformer Framework
本文提出一种结合规则启发式、上下文深度学习和模糊逻辑的混合框架，用于提升领域特定文本中情感极性和强度的识别精度。
2025-12-09 cs.AI cs.CL
Using LLMs to Establish Implicit User Sentiment of Software Desirability
Creighton University（克赖顿大学）；Dakota State University（达科他州立大学）；The Beacom College of Computer & Cyber Sciences, Dakota State University（达科他州立大学比科姆计算机与网络学院）
本研究提出利用大语言模型对微软 PDT 定性数据进行零样本隐式软件合意性情感分析，无需显式评分即可输出标度化分数，并证明其检测用户情感的能力优于 TRBS 和 Vader。
2024-09-08 cs.AI cs.CL cs.HC
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
The R package sentometrics to compute, aggregate and predict with textual sentiment
HEC Montréal（蒙特利尔高等商学院）；Université de Sherbrooke（舍布鲁克大学）；GERAD（GERAD 运筹与决策分析研究组）；University of Neuchâtel（纳沙泰尔大学）；Ghent University（根特大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
我们提供了一个动手介绍使用R包sentometrics优化文本情感识别。文本情感分析越来越多地用于释放文本数据的潜在信息价值。sentometrics软件包实现了一个直观的框架，以有效地计算大量文本的情感得分，将得分聚合到多个时间序列中，并使用这些时间序列来预测其他变量。该软件包的工作流程是用一个内置的来自美国两大期刊的新闻文章语料库来说明的，以预测CBOE波动率指数。
2021-10-20 cs.CL cs.LG stat.AP
