Public Attitudes Toward ChatGPT on Twitter: Sentiments, Topics, and Occupations
Indiana University–Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；Luddy School of Informatics, Computing, and Engineering, Indiana University–Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校勒迪信息学、计算与工程学院）；Department of Computer Science, Indiana University–Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校计算机科学系）
本文通过情感分析和主题建模等技术分析了2022年12月至2023年6月间Twitter上公众对ChatGPT的态度，发现整体情感趋于中性至积极，且不同职业用户关注的话题各异。
2024-02-13 cs.CL
Empirical Evaluation of Leveraging Named Entities for Arabic Sentiment Analysis
Konya Technical University（科尼亚技术大学）；University of Manouba（马努巴大学）；University of Colorado（科罗拉多大学）
社交媒体反映了公众对特定事件的态度。事件通常与人、地点或组织有关，即所谓的命名实体。这可以将命名实体定义为承载情感的组件。在本文中，我们潜水超越命名实体识别的情感注释命名实体在阿拉伯语情感分析的开发。因此，我们开发了一种算法来检测的情绪命名实体的基础上，对他们的大多数态度。这使得能够用适当的标签标记命名实体，从而将它们包括在两个模型的情感分析框架中：监督和基于词典。这两种模型都适用于多方言内容的数据集。结果表明，命名实体对监督模型没有很大的影响，而在基于词典的模型中使用它们提高了分类性能，并且优于大多数基线系统。
2019-04-23 cs.CL
Market Trend Prediction using Sentiment Analysis: Lessons Learned and Paths Forward
Birkbeck, University of London（伦敦大学伯贝克学院）
金融市场预测是情感分析最具吸引力的实际应用之一。在本文中，我们研究了使用情绪\emph{attitudes}（积极与消极）和情绪\emph{emotions}（喜悦，悲伤等）的潜力。从财经新闻或推文中提取，以帮助预测股价走势。我们使用\emph{Granger-causality}检验进行的大量实验表明：（1）一般情况下，情绪态度似乎不会导致股票价格的格兰杰变化;（2）虽然在某些特定情况下，情绪情绪似乎确实会导致股票价格的格兰杰变化，但所展示的模式并不普遍，必须根据具体情况进行分析。此外，已经观察到，至少对于某些股票，将情绪情绪作为附加特征集成到基于机器学习的市场趋势预测模型中可以提高其准确性。
2019-03-13 cs.CL cs.CY
Improved Twitter Sentiment Prediction through Cluster-then-Predict Model
NITTTR Bhopal（博帕尔国家技术教师培训与研究学院）
在过去的十年中，人类在使用在线资源方面经历了指数级增长，特别是社交媒体和微博网站，如Facebook，Twitter，YouTube以及移动应用程序，如WhatsApp，Line等。这些知识提供了宝贵的反馈，使他们能够进一步开发下一代产品。在本文中，情感分析的产品是通过提取有关该产品的推文和分类的推文显示它作为积极和消极的情绪。作者提出了一种混合的方法，它结合了无监督学习的K-means聚类的形式来聚类的推文，然后执行监督学习方法，如决策树和支持向量机进行分类。
2015-09-08 cs.CL cs.IR cs.LG
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
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
Sentiment Analysis Based on Deep Learning: A Comparative Study
HoChiMinh City University of Transport (UT-HCMC)（胡志明市交通大学）；University of Salamanca（萨拉曼卡大学）
研究民意可以为我们提供有价值的信息。对诸如Twitter或Facebook等社交网络上的情感的分析已经成为了解用户意见的有力手段，并且具有广泛的应用。然而，情感分析的效率和准确性受到自然语言处理（NLP）中遇到的挑战的阻碍。近年来，已经证明深度学习模型是应对NLP挑战的一种有前途的解决方案。本文回顾了采用深度学习解决情感分析问题（如情感极性）的最新研究。使用词频-逆文档频率（TF-IDF）和词嵌入的模型已被应用到一系列的数据集。最后，对不同模型和输入特征下的实验结果进行了比较研究
2020-06-05 cs.CL cs.IR cs.LG
Deep Learning-based Sentiment Analysis of Olympics Tweets
The University of Burdwan（布尔达万大学）
本研究利用深度学习模型（包括CNN、BiLSTM和BERT）对奥运会推文进行情感分析，其中BERT模型以99.23%的最高准确率有效分类全球观众情绪。
2024-07-17 cs.CL cs.LG
SentiLSTM: A Deep Learning Approach for Sentiment Analysis of Restaurant Reviews
Chittagong University of Engineering and Technology（吉大港工程技术大学）
由于互联网的轻松访问和各种Web 2.0应用程序的发展，文本数据生成的数量大大增加。这些文本数据的产生是因为人们以推文、Facebook帖子或状态、博客文章和评论的形式表达他们对任何产品或服务的意见、情感或情绪。情感分析处理的是通过计算识别和分类文本中表达的观点的过程，特别是为了确定作者对特定主题的态度是积极的，消极的还是中立的。顾客评论对感知顾客对餐厅的态度有显著的影响。因此，从评论中自动检测情感对于餐馆所有者或服务提供商和顾客来说是有利的，以使他们的决策或服务更令人满意。本文提出了一种基于深度学习的技术（即，BiLSTM）将餐厅客户提供的评论分为正极性和负极性。一个语料库由8435评论构建，以评估所提出的技术。此外，提出的技术与其他机器学习算法的比较分析。测试数据集的评估结果表明，BiLSTM技术的准确率最高，达到91.35%。
2020-11-19 cs.CL
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
A Multi-task Model for Sentiment Aided Stance Detection of Climate Change Tweets
L3S Research Center（L3S研究中心）
气候变化已成为我们时代最大的挑战之一。Twitter等社交媒体平台在提高公众意识和传播有关当前气候危机危险的知识方面发挥着重要作用。随着通过社交媒体开展的关于气候变化的运动和宣传越来越多，这些信息可以提高认识，并接触到公众和决策者。然而，这些Twitter通信导致信仰两极分化，意见主导的意识形态，并经常分裂为两个社区的气候变化否认者和信徒。在本文中，我们提出了一个框架，有助于识别否认Twitter上的声明，从而分类的立场的推文到两个对气候变化的态度（否认者/信徒）之一。Twitter关于气候变化的数据的情感方面深深植根于公众对气候变化的态度。因此，我们的工作重点是学习两个密切相关的任务：气候变化推文的立场检测和情感分析。我们提出了一个多任务框架，执行立场检测（主要任务）和情感分析（辅助任务）同时进行。该模型结合了特征特定和共享特定的注意框架，融合多个特征，并学习两个任务的广义特征。实验结果表明，该框架提高了主要任务的性能，即，通过受益于辅助任务，即，情感分析与其单模态和单任务变体相比。
2022-11-07 cs.CL
Aspect-Based Sentiment Analysis using Local Context Focus Mechanism with DeBERTa
文本情感分析，也称为意见挖掘，是研究计算人们的观点，评价，态度和情感表达的实体。文本情感分析可以分为文本级情感分析、句子级情感分析和方面级情感分析。基于情感的情感分析（ABSA）是情感分析领域中的一个细粒度任务，其目的是预测方面的极性。预训练神经模型的研究显著提高了许多自然语言处理任务的性能。近年来，预训练模型（PTM）已被应用于ABSA。因此，有一个问题，这是PTMs是否包含足够的句法信息ABSA。在本文中，我们探讨了最近的DeBERTa模型（解码增强BERT与解纠缠注意），以解决基于情感的情感分析问题。DeBERTa是一种基于Transformer的神经语言模型，采用自监督学习在大量原始文本语料库上进行预训练。在局部上下文聚焦（LCF）机制的基础上，结合DeBERTa模型，提出了一种面向方面情感分析的多任务学习模型。在SemEval-2014最常用的笔记本电脑和餐馆数据集以及ACL twitter数据集上的实验结果表明，使用DeBERTa的LCF机制具有显著的改进。
2022-07-07 cs.CL cs.IR
Sentiment Analysis of Czech Texts: An Algorithmic Survey
Institute of Formal and Applied Linguistics, Charles University（查尔斯大学形式与应用语言学研究所）
在在线通信、商务和交易领域，分析以各种自然语言书写的文本的情感极性变得至关重要。虽然在英语的资源和研究方面有很多贡献，但像捷克语这样的“较小”语言并没有得到太多的关注。在这项调查中，我们探索了许多现有的机器学习算法对捷克Facebook帖子和产品评论进行情感分析的有效性。我们报告了每个算法的最佳参数值集以及两个数据集中的得分。我们最后观察到，支持向量机是最好的分类器和努力，以提高性能，甚至更多的装袋，提升或投票集成方案未能做到这一点。
2019-03-15 cs.CL cs.IR cs.LG
A Multi-task Ensemble Framework for Emotion, Sentiment and Intensity Prediction
Indian Institute of Technology Patna（印度理工学院巴特那分校）；Kyoto University（京都大学）
本文在多任务集成框架下研究了情绪和情感分析的三个问题，即“情绪分类与强度”、“情绪的效价、唤醒度与优势度”和“情绪的效价与唤醒度”。底层问题涵盖两种粒度（即粗粒度和细粒度）和各种域（即tweets，Facebook帖子，新闻标题，博客，信件等）。集成模型旨在利用三种深度学习模型（即CNN，LSTM和GRU）的学习表示和手工制作的预测特征表示。基准数据集上的实验结果表明，我们提出的多任务集成框架的有效性。对于大多数问题和领域，我们在单任务系统上平均获得了2-3点的性能改进。
2018-10-15 cs.CL
Effect of Word Embedding Variable Parameters on Arabic Sentiment Analysis Performance
Gazi University（加齐大学）；Southern Technical University（南方技术大学）
诸如Twitter、Facebook等社交媒体已经导致产生越来越多的包含用户意见的评论。情感分析研究处理这些评论，以提取意见是积极的或消极的。阿拉伯语是一种丰富的形态语言;因此，英语情感分析的经典技术不能用于阿拉伯语。词嵌入技术可以被认为是解决阿拉伯语词法问题的成功方法之一。基于词嵌入的阿拉伯语情感分析已经有很多研究，但还没有针对可变参数的研究。本研究将讨论使用DBOW和DMPV架构进行阿拉伯语情感分析的三个参数（窗口大小、向量维数和负样本）。以前的作品的大型语料库，用于学习单词表示和提取特征。四个二进制分类器（逻辑回归，决策树，支持向量机和朴素贝叶斯）被用来检测情感。分类器的性能基于精度，召回率和F1分数进行评估。
2021-01-08 cs.CL cs.LG
The Evolution of Sentiment Analysis - A Review of Research Topics, Venues, and Top Cited Papers
University of Oulu（奥卢大学）；University of Stuttgart（斯图加特大学）
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。我们提出了一个计算机辅助的文献综述，我们利用文本挖掘和定性编码，并分析了6,996篇论文从Scopus。我们发现，情感分析的根源在于20世纪初的舆论分析研究和20世纪90年代计算语言学界的文本主观性分析。然而，基于计算机的情感分析的爆发只是随着网络上主观文本的可用性而发生的。因此，99%的论文是在2004年之后发表的。情感分析论文分散在多个出版地点，前15个地点的论文总数仅代表ca。30%的论文。我们介绍了Google Scholar和Scopus的前20篇被引用论文以及研究主题的分类。近年来，情感分析已经从分析在线产品评论转向分析Twitter和Facebook的社交媒体文本。除了产品评论之外，股票市场、选举、灾难、医学、软件工程和网络欺凌等许多主题都扩展了情感分析的应用
2017-11-21 cs.CL cs.DL 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
Sentiment Analysis of Comments on Rohingya Movement with Support Vector Machine
Shahjalal University of Science and Technology（沙阿贾拉勒科技大学）
罗兴亚运动和危机在孟加拉国的政治和经济国家引起了巨大的骚动。难民流动是一个经常发生的事件，大量的意见形式的数据仍然存在于Facebook等社交媒体上，很少有人对它们进行分析。为了分析所有与罗兴亚人相关的帖子的评论，我们必须创建和修改一个基于支持向量机算法的分类器。代码是用python实现的，并使用scikit-learn库。目前还没有关于罗兴亚分析的数据集，所以我们不得不使用我们自己的2500条正面评论和2500条负面评论的数据集。我们特别使用了一个具有线性核的支持向量机。我们之前使用朴素贝叶斯算法在同一数据集上进行了一个实验，但没有产生令人印象深刻的结果。
2018-03-22 cs.CL cs.IR cs.LG
Performance Investigation of Feature Selection Methods
Indian Institute of Management（印度管理学院）
随着互联网和Web 2.0社交媒体的普及，情感分析或意见挖掘已经成为一个开放的研究领域。人们在包括博客、论坛、推文等的社交媒体上表达他们的态度和观点，并且情感分析关注从在线文本中检测和提取情感或观点。基于情感的文本分类不同于主题文本分类，因为它涉及基于对主题表达的观点的歧视。特征选择对于情感分析具有重要意义，因为主观文本可能具有较高的维度，这会对情感分析分类器的性能产生不利影响。本文探讨了特征选择方法在情感分析中的适用性，并从查全率、查准率和准确率三个方面研究了它们在分类中的性能。基于2000篇电影评论语料，研究了五种特征选择方法（文档频率、信息增益、增益比、卡方和Relief-F）和三种流行的情感特征词典（HM、GI和Opinion Lexicon）。实验结果表明，信息增益给出了一致的结果，增益比表现出整体最好的情感特征选择，而情感词典的性能较差。此外，我们发现分类器的性能取决于从文本中选择适当数量的代表性特征。
2013-09-16 cs.CL cs.IR cs.LG
Sentiment Analysis for YouTube Comments in Roman Urdu
National University of Computer and Emerging Sciences（国家计算机与新兴科学大学）
情感分析是机器学习领域中的一个广阔领域。大量的工作是在数据集及其对英语的分析上完成的。在巴基斯坦，大量的数据是罗马乌尔都语，它分散在社交网站，包括Twitter，YouTube，Facebook和类似的应用程序。在这项研究中，数据集收集的重点领域是YouTube评论。数据集包含人们对不同巴基斯坦戏剧和电视节目的评论。数据集包含多类分类，将评论分为积极，消极和中性情绪。本文对线性回归、SVM、KNN、多层感知器和朴素贝叶斯分类器等五种监督学习算法进行了比较分析。准确率，召回率，精确度和F-测量用于测量性能。结果表明，SVM的准确率为64%，优于列表中的其他部分。
2021-02-19 cs.AI cs.CL
Disentangled Learning of Stance and Aspect Topics for Vaccine Attitude Detection in Social Media
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
建立模型来检测社交媒体上的疫苗态度是具有挑战性的，因为涉及的方面往往是复杂的，而且注释数据的可用性有限。现有的方法严重依赖于监督训练，需要大量的注释和预定义的方面类别。相反，为了利用大量的未注释的数据，现在可以接种疫苗，我们提出了一种新的半监督的方法，疫苗的态度检测，称为VADet。采用基于语言模型的变分自动编码结构，从未标记的数据中学习领域的主题信息。然后，该模型是微调与一些手动注释的用户态度的例子。我们验证了VADet的有效性，我们的注释数据，也对现有的疫苗接种语料库注释与意见的疫苗。我们的研究结果表明，VADet是能够学习解开立场和方面的主题，并优于现有的基于方面的情感分析模型的立场检测和推文聚类。
2022-06-20 cs.CL
Sentiment Analysis on the young people's perception about the mobile Internet costs in Senegal
Polytechnic School (ESP)（波尔多技术学校（ESP））；Gaston Berger University (UGB)（加斯顿-贝尔大学（UGB））；Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
本文针对塞内加尔年轻人对移动互联网成本的感知问题，通过分析其在Twitter和Facebook上的评论并应用情感分析模型，研究他们对移动互联网价格的感受及与感知服务质量的关系。
2025-04-17 cs.CL cs.SI
BnSentMix: A Diverse Bengali-English Code-Mixed Dataset for Sentiment Analysis
Islamic University of Technology（伊斯兰科技大学）
针对孟加拉语-英语代码混合情感数据稀缺问题，本文构建含2万样本的BnSentMix数据集，并提出14种基线方法，最佳模型取得69.8%准确率和69.1% F1分数。
2024-12-10 cs.CL
Sentiment Analysis and Sarcasm Detection of Indian General Election Tweets
University of Allahabad（阿拉哈巴德大学）
在当今的数字世界中，社交媒体的使用率已达到历史最高水平。大多数人使用社交媒体工具（如Twitter，Facebook，YouTube等）。与社区分享他们的想法和经验。分析普通民众的情绪和意见对政府和商界都很重要。这是很多传媒机构在选举期间积极进行各种民意调查的原因。在本文中，我们利用2019年Lok Sabha选举期间的Twitter数据分析了印度人民的情绪。我们已经建立了一个自动鸣叫分析器使用迁移学习技术来处理这个问题的无监督性质。在我们的机器学习模型中，我们使用了线性支持向量分类器方法，也使用了词频逆文档频率（TF-IDF）方法来处理推文的文本数据。此外，我们增加了模型的能力，以解决一些用户发布的讽刺性推文，这还没有被该领域的研究人员考虑。
2022-01-03 cs.CL cs.IR cs.LG
An Applied Study on Educational Use of Facebook as a Web 2.0 Tool: The Sample Lesson of Computer Networks and Communication
这项研究的主要目的是研究Facebook的教育用途。本研究以计算机网络与通信课为样本，采用半实验的方法，测量了研究组学生对Facebook的态度。Facebook平台上的学生接受了大约三个月的检查，他们继续在虚拟环境中进行交互式教育。三个月的教育期后，观察学生的报告和学生对Facebook的态度进行了测量三种不同的测量工具。因此，学生对教育使用Facebook的态度和他们的观点是异质的。当对该组的平均值进行检查时，据报告，对Facebook的教育使用的态度高于中等水平。因此，可以建议虚拟环境中的社交网络提供终身学习的连续性。
2010-09-02 cs.SI
An Account of Opinion Implicatures
University of Pittsburgh（匹兹堡大学）
虽然以前的情感分析研究集中在明确陈述的意见和态度的解释，这项工作启动了一种类型的意见含义的计算研究（即，在文本中的观点导向推理）。本文描述了一个基于规则的观点含义表示和分析框架，希望能有助于主观语言的自动理解。在理解含义的过程中，系统识别出对句子中各种事件和实体的隐含情感（和信念），这些情感和信念通常归因于不同的来源（持有者）和混合的极性;因此，它产生了比意见分析中典型的更丰富的解释。
2014-04-23 cs.CL cs.IR
Fine-tuned Sentiment Analysis of COVID-19 Vaccine-Related Social Media Data: Comparative Study
Bredesen Center for Interdisciplinary Research and Graduate Education, University of Tennessee at Knoxville（田纳西大学诺克斯维尔分校布雷德森跨学科研究与研究生教育中心）；Center for Biomedical Informatics, Department of Pediatrics, College of Medicine, University of Tennessee Health Science Center（田纳西大学健康科学中心医学院儿科系生物医学信息学中心）；Hubert Department of Global Health, Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院休伯特全球卫生系）
这项研究调查并比较了2020年1月1日至2022年3月1日期间在Reddit和Twitter两个流行社交媒体平台上表达的与COVID-19疫苗相关的公众情绪。为了完成这项任务，我们创建了一个微调的DistilRoBERTA模型来预测大约950万条推文和7万条Reddit评论的情绪。为了微调我们的模型，我们的团队手动标记了3600条推文的情绪，然后通过反向翻译的方法增强了我们的数据集。然后，使用Python和Huggingface情感分析管道，使用我们的微调模型对每个社交媒体平台的文本情感进行分类。我们的研究结果表明，Twitter上表达的平均情绪是消极的（52%是积极的）而不是积极的，Reddit上表达的情绪是积极的而不是消极的（53%是积极的）。尽管发现这些社交媒体平台的平均情绪各不相同，但两者都表现出与疫情期间疫苗相关关键发展中的情绪相关的类似行为。考虑到在社交媒体平台上表现出的这种类似的情绪趋势，Twitter和Reddit仍然是公共卫生官员可以利用的宝贵数据来源，以加强疫苗信心和打击错误信息。由于错误信息的传播造成了一系列心理和社会心理风险（焦虑、恐惧等），迫切需要了解公众对共同谎言的看法和态度。针对人口表达的情绪，促进数字扫盲，健康信息寻求行为和精准健康促进的全面教育提供系统可以帮助澄清这些错误信息。
2022-10-17 cs.CL cs.SI
Addition of Code Mixed Features to Enhance the Sentiment Prediction of Song Lyrics
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术研究所）
情感分析，也称为意见挖掘，是分析人们的意见，情感，态度和情绪的研究领域。歌曲对于情感分析是重要的，因为歌曲和情绪是相互依赖的。根据所选歌曲，很容易找到听众的情绪，将来可以用于推荐。歌词是一个丰富的数据集，包含的单词，有助于分析和分类的情绪从它产生的。现在，我们观察到很多的词间和词内代码混合的歌曲，有不同的影响观众。为了研究这种影响，我们创建了一个泰卢固语歌曲数据集，其中包含泰卢固语-英语代码混合和纯泰卢固语歌曲。在本文中，我们根据歌曲的兴奋程度将其分为兴奋性和非兴奋性。我们开发了一个语言识别工具，并引入代码混合功能，从它作为额外的功能。我们的系统具有这些额外的功能，在我们的数据集上比传统方法高出4-5%的准确率。
2018-06-11 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
Sentiment Analysis of Twitter Data: A Survey of Techniques
Pune Institute of Computer Technology（浦那计算机技术学院）；University of Pune（浦那大学）
随着网络技术的进步和增长，互联网用户在网络上存在大量数据，并且也产生了大量数据。互联网已经成为一个在线学习、交流思想和分享观点的平台。Twitter、Facebook、Google+等社交网站正在迅速普及，因为它们允许人们分享和表达他们对主题的看法，与不同的社区进行讨论，或在世界各地发布消息。在twitter数据的情感分析领域已经做了很多工作。本调查主要关注twitter数据的情感分析，这有助于分析twitter中的信息，这些信息的观点是高度非结构化的，异质的，或者是积极的，或者是消极的，或者在某些情况下是中立的。在本文中，我们提供了一个调查和比较分析现有的意见挖掘技术，如机器学习和基于词典的方法，连同评估指标。本文利用朴素贝叶斯、最大熵和支持向量机等机器学习算法，对Twitter数据流进行了研究，并讨论了Twitter情感分析的一般挑战和应用。
2016-04-22 cs.CL
Semantic Sentiment Analysis of Twitter Data
Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）
互联网和智能移动设备的激增已经改变了信息创建、共享和传播的方式，例如，诸如Twitter之类的微博、诸如LiveJournal之类的网络日志、诸如Facebook之类的社交网络以及诸如Skype和WhatsApp之类的即时信使现在通常用于分享关于周围世界中的任何事物的想法和观点。这导致了社交媒体内容的扩散，从而创造了以前所未有的规模研究公众舆论的新机会。自然，这些丰富的数据很快吸引了来自市场营销、政治学和社会研究等各个领域的商业和研究兴趣，这些领域对以下问题感兴趣：人们喜欢新的Apple Watch吗？美国人支持奥巴马医改吗？苏格兰人如何看待英国脱欧？研究这些问题需要研究人们在社交媒体中表达的观点的情绪，这导致了社交媒体中情感分析领域的快速增长，Twitter由于其规模，代表性，讨论的主题的多样性以及公众容易获得其消息而特别受欢迎。在这里，我们介绍了Twitter上的情感分析工作的概述。
2017-10-04 cs.CL
When a Nation Speaks: Machine Learning and NLP in People's Sentiment Analysis During Bangladesh's 2024 Mass Uprising
Jahangirnagar University（贾 banggar 大学）
本研究利用机器学习和NLP技术，首次在孟加拉国2024年大规模抗议期间对孟加拉语进行情感分析，通过分析公众情绪揭示政治动荡中的情感动态。
2025-12-17 cs.CL cs.CY
MigrationsKB: A Knowledge Base of Public Attitudes towards Migrations and their Driving Factors
FIZ Karlsruhe – Leibniz Institute for Information Infrastructure（FIZ卡尔斯鲁厄 – 莱布尼茨信息基础设施研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
随着欧洲移民话题的日益增长，公众现在更多地通过Twitter等各种平台表达自己的意见。因此，理解网络话语对捕捉公众舆论至关重要。这项研究的目标是分析社交媒体平台，以量化公众对移民的态度，并确定导致这些态度的不同因素。从2013年到2021年7月，欧洲移民国家的推文被收集，预处理，并使用先进的主题建模技术过滤。执行基于BERT的实体链接和情感分析以及基于注意力的仇恨言论检测来注释策划的推文。此外，还利用外部数据库查明造成人们对移徙持消极态度的潜在社会和经济因素。为了进一步促进社会科学和计算机科学跨学科领域的研究，将成果纳入知识库（KB），即，该模型大大扩展了现有模型，将公众对移民的态度和经济指标考虑在内。这个知识库是使用FAIR原则公开的，可以通过SPARQL端点查询。数据转储在Zenodo上可用。
2021-08-17 cs.AI cs.CL
On the Challenges of Sentiment Analysis for Dynamic Events
Kno.e.sis Center, Wright State University（莱特州立大学 Kno.e.sis 中心）；Cognovi Labs
随着社交媒体在过去十年中的激增，确定人们对特定主题、文档、交互或事件的态度激发了人们对自然语言处理的研究兴趣，并引入了一种称为情感和情绪分析的新渠道。例如，企业通常希望开发系统，通过识别相关内容来自动理解他们的客户对话，以加强他们的产品营销和管理他们的声誉。此前评估人们在Twitter上情绪的努力表明，Twitter可能是研究政治情绪的宝贵资源，它反映了离线政治格局。根据皮尤研究中心的一份报告，2016年1月，44%的美国成年人表示通过社交媒体了解了总统选举。此外，24%的人表示使用两位候选人的社交媒体帖子作为新闻和信息来源，这一比例超过了使用两位候选人网站或电子邮件的15%。特朗普和希拉里之间的第一场总统辩论是有史以来推特上最多的辩论，有1710万条推文。
2017-10-06 cs.CL
Unsupervised Self-Training for Sentiment Analysis of Code-Switched Data
Carnegie Mellon University（卡内基梅隆大学）
情感分析是理解社交媒体内容的一项重要任务，如客户评论，Twitter和Facebook提要等。在世界各地的多语言社区中，大量的社交媒体文本的特点是存在语码转换。因此，建立能够处理代码转换数据的模型变得非常重要。然而，带注释的代码转换数据是稀缺的，需要无监督的模型和算法。我们提出了一个通用的框架，称为无监督的自我训练，并显示其应用程序的代码转换数据的情感分析的特定用例。我们使用预训练的BERT模型的能力进行初始化，并以无监督的方式对其进行微调，仅使用由zero-shot传输产生的伪标签。我们测试我们的算法在多种代码转换语言，并提供了一个详细的分析，学习动态的算法的目的是回答这个问题-“我们的无监督模型理解代码转换语言，还是只是学习它的表示？'.我们的无监督模型与有监督模型竞争良好，与针对两类问题训练的有监督模型相比，其性能达到1-7\%（加权F1分数）。
2021-10-01 cs.CL cs.LG
Machine Learning based English Sentiment Analysis
Ton Duc Thang University（顿德唐大学）；Lac Hong University（乐鸿大学）
情感分析或意见挖掘旨在确定客户对产品或服务的态度、判断和意见。这是一个很好的系统，可以帮助制造商或服务商了解客户对其产品或服务的满意度。因此，他们可以进行适当的调整。我们使用一种流行的机器学习方法，即支持向量机，结合Waikato Environment for Knowledge Analysis（WEKA）中的库，构建Java Web程序，对属于四类女性产品之一的英文评论进行情感分析。有裙子，手袋，鞋子和戒指。我们已经开发并测试了我们的系统，训练集有300条评论，测试集有400条评论。该系统的实验结果表明，对正面评论的准确率、召回率和F值分别为89.3%、95.0%和92.1%，对负面评论的准确率、召回率和F值分别为97.1%、78.5%和86.8%，对中性评论的准确率、召回率和F值分别为76.7%、86.2%和81.2%。
2019-05-16 cs.CL
Emoji-based Co-attention Network for Microblog Sentiment Analysis
在线社交网络中广泛使用缩略语来表达情感、态度和观点。表情符号作为面向情感的字符，可以被建模为对接收者或主题的情感的重要特征，用于情感分析。然而，现有的方法主要采用表情符号作为启发式信息，无法解决模糊噪声问题。最近的研究利用表情符号作为一个独立的输入来分类文本情感，但他们忽略了文本和表情符号之间的交互的情感影响。这导致表情符号的情感语义无法被充分挖掘。本文提出了一种基于表情符号的协同注意力网络，用于学习微博上文本和表情符号之间的相互情感语义。我们的模型采用基于双向长短期记忆的共同注意力机制，将文本和表情符号结合起来，并在卷积神经网络分类器中集成了挤压和激励块，以增加其对情感语义特征的敏感性。实验结果表明，该方法可以显着优于几个基线的情感分析短文本的社会媒体。
2022-01-14 cs.AI cs.CL
Multiclass Sentiment Analysis for Identifying Political Viewpoints
Centro de Investigaciones en Computación (CIC), Instituto Politécnico Nacional (IPN)（国家理工学院计算机研究中心）
本研究针对社交媒体政治观点开展多类别情感分析，设计并评估XGBoost与BERT两种机器学习方法，在测试集上分别取得0.2835与0.2806的F1值，为该领域研究提供了基准。
2026-08-12 cs.AI cs.CL
Sentiment and Emotion Classification of Epidemic Related Bilingual data from Social Media
Al-Khawarizmi Institute of Computer Sciences（花拉子米计算机科学研究所）；University of Engineering & Technology（工程技术大学）
情感分析和情感分类是近年来自然语言处理（Natural Language Processing，NLP）领域中应用最为广泛的两种技术。虽然情感分析和情感分类通常用于分析客户评论，竞选候选人的受欢迎程度以及对各种体育赛事的评论等应用程序，但在本研究中，我们研究了它们在流行病爆发检测中的应用。早期发现疫情是有效应对疫情的关键，然而，传统的疫情发现方法耗时长，阻碍了相关部门的及时反应。社交媒体平台，如Twitter，Facebook，Instagram等，允许用户表达他们对生活不同方面的想法，因此，在这种情况下，作为一个重要的信息来源。该研究利用了来自Twitter和NEWS网站的双语（乌尔都语和英语）数据，这些数据与巴基斯坦的登革热疫情有关，并进行了情感分析和情感分类，以从数据集中获得深刻的见解，从而获得与疫情爆发有关的公平想法。机器学习和深度学习算法已被用于训练和实现用于执行这两项任务的模型。每个模型的比较性能进行了评估，使用准确率，精度，召回率和f1-措施。
2021-05-04 cs.CL cs.LG
Pay attention to emoji: Feature Fusion Network with EmoGraph2vec Model for Sentiment Analysis
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
随着社交媒体的爆炸性增长，带有表情符号的固执己见的帖子也爆炸性地增加。许多表情符号被用来表达情绪、态度和观点。表情符号表示学习有助于提高表情符号相关的自然语言处理任务的性能，特别是在文本情感分析中。然而，大多数研究只使用Unicode联盟提供的固定描述，而没有考虑实际的使用场景。至于情感分析任务，许多研究人员忽略了文本和表情符号之间交互的情感影响。这导致表情符号的情感语义无法被充分挖掘。在这项工作中，我们提出了一种名为mosaGraph2vec的方法，通过从社交数据中构建共现图网络来学习emoji表示，并基于外部知识库mosajiNet来丰富语义信息以嵌入emoji节点。本文基于Graph2vec模型，设计了一种新的神经网络，将文本和emoji信息融合到情感分析中，该网络使用混合注意力模块和基于TextCNN的分类器来提高性能。实验结果表明，该模型可以优于基准数据集上的情感分析的几个基线。此外，我们进行了一系列的消融和比较实验，以调查我们的模型的有效性和可解释性。
2022-05-23 cs.CL
Multimodal Sentiment Analysis with Word-Level Fusion and Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）
随着YouTube和Facebook等视频分享网站的日益普及，多模态情感分析越来越受到科学界的关注。与以前的多模态情感分析的工作，专注于整体信息的语音段，如袋的话表示和平均面部表情强度，我们开发了一种新的深度架构多模态情感分析，执行模态融合在单词级别。在本文中，我们提出了具有时间注意力的门控多模态嵌入LSTM（GME-LSTM（A））模型，该模型由2个模块组成。门控多模态嵌入技术解决了多模态噪声情况下的融合问题。具有时间注意力的LSTM以输入模态之间更精细的融合分辨率执行单词级融合，并关注最重要的时间步长。因此，GME-LSTM（A）能够更好地对语音的多模态结构进行建模，并执行更好的情感理解。我们通过实现最先进的情感分类和回归结果，在公开的情感强度和主观性分析（CMU-MOSI）数据集上证明了这种方法的有效性。对我们的模型的定性分析强调了时间注意层在情感预测中的重要性，因为附加的声学和视觉模态是嘈杂的。我们还证明了门控多模态嵌入的有效性，有选择地过滤这些嘈杂的方式。我们的研究结果和分析开辟了人类交流中情感分析研究的新领域，并为多模态融合提供了新的模型。
2018-02-03 cs.AI cs.CL cs.LG
Sentiment Analysis with R: Natural Language Processing for Semi-Automated Assessments of Qualitative Data
情感分析是自然语言处理和计算语言学领域的一个分支学科，可用于文本文档的自动或半自动分析。这些分析的目的之一是认识到表达的态度是积极或消极的，因为它可以包含在社交媒体平台或政治文件和演讲以及虚构和非虚构文本的评论中。关于社交媒体平台上的评论分析，这是对之前关于社交媒体网络数据半自动筛选的教程的扩展。关于社交媒体评论的纵向视角以及关于虚构和非虚构文本的横截面视角，例如整本书和图书馆，可以导致大量的文本文档。通过使用具有可接受的评分者间可靠性的情感分析，可以简化和加速他们的分析。因此，本教程介绍了使用R执行情感分析的基本功能，并解释了如何逐步分析文本文档-无论其底层格式如何。所有先决条件和步骤都有详细描述，相关代码可在GitHub上获得。两个政治演讲的比较说明了一个可能的用例。
2022-06-25 cs.CL cs.CV stat.AP
ClimateChat-300K: A Multi-Modal Facebook Dataset for Understanding Diverse Perspectives in Climate Communication
Northwestern University in Qatar（卡塔尔西北大学）；Hamad Bin Khalifa University（哈马德·本·卡伊夫大学）
通过CrowdTangle平台收集2020年5月至2024年5月间的299,329条Facebook公开帖子，利用主题建模和情感分析识别出政策、行动主义、合作、科学和保护五大领域十个主题，揭示了情感基调、帖子格式和页面身份对受众参与度的显著影响。
2026-05-22 cs.CL
Public Sentiment and Demand for Used Cars after A Large-Scale Disaster: Social Media Sentiment Analysis with Facebook Pages
关于大规模灾害后的公众情绪分析，有各种研究。然而，很少有研究关注社交媒体上的公众情绪及其对人们在现实世界中活动的影响之间的关系。本文以2011年东日本大地震和海啸后的长期情感分析为研究对象，通过Facebook Pages调查了受灾地区民众的情感与实际需求之间的关系。此外，我们试图分析是否不同类型的灾害相关的通信创建了不同类型的关系，人们的活动在物理世界。我们的分析表明，地理信息相关的通信，这可能是受受灾地区内的情绪，情绪与二手车在受灾地区的价格呈正相关。另一方面，灾区以外的对灾害感兴趣的人，对灾害感兴趣的交流情绪与二手车价格呈负相关。这一结果可以解释为，当人们开始恢复时，二手车价格上涨，因为他们的情绪变得更加积极。这项研究表明，对于长期的灾难恢复分析，我们需要考虑直接受灾害影响的本地人和非本地人的在线通信的不同特点。
2018-01-22 cs.SI
COVID-19 Twitter Sentiment Classification Using Hybrid Deep Learning Model Based on Grid Search Methodology
Indian Institute of Information Technology, Nagpur（印度信息技术学院，那格浦尔）；Shri Ramdeobaba College of Engineering & Management, Nagpur（什里·拉姆德奥巴巴工程与管理学院，那格浦尔）；Institute of Engineering and Technology, Devi Ahilya Vishwavidyalaya, Indore（德维·阿希利亚大学工程与技术学院，印多尔）
本文针对 COVID-19 疫苗接种犹豫问题，提出八种基于嵌入、深度学习与网格搜索的混合模型进行 Twitter 情感分类，其中 BERT+CNN+GS 组合准确率达 98.86%，较现有工作提升 2.11% 至 14.46%。
2024-06-11 cs.CL cs.SI
Country Image in COVID-19 Pandemic: A Case Study of China
School of Journalism and Communication, Tsinghua University（清华大学新闻与传播学院）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
国家形象对国际关系和经济发展有着深远的影响。在全球范围内爆发的COVID-19疫情中，各国及其人民表现出不同的反应，导致外国公众的感知形象不同。因此，在本研究中，我们将中国作为一个特定的和典型的情况下，调查其形象与方面为基础的情感分析的大规模Twitter数据集。据我们所知，这是第一个以如此细粒度的方式探索国家形象的研究。为了进行分析，我们首先构建了一个带有方面级情感注释的手动标记的Twitter数据集。之后，我们使用BERT进行了基于方面的情感分析，以探索中国的形象。我们发现，在一般公众的整体情绪变化从非负面到负面，并解释它与负面意识形态相关的方面越来越多的提及和非负面的事实为基础的方面减少提及。对包括美国国会议员、英国媒体和社交机器人在内的不同Twitter用户群体的进一步调查揭示了他们对中国态度的不同模式。这项研究让我们更深入地了解中国在COVID-19大流行中不断变化的形象。我们的研究还展示了如何基于方面的情感分析可以应用于社会科学研究，提供有价值的见解。
2020-09-12 cs.CL cs.CY cs.SI
Exploring ChatGPT-based Augmentation Strategies for Contrastive Aspect-based Sentiment Analysis
Hong Kong Metropolitan University（香港都会大学）；Lingnan University（岭南大学）；University of Southern Queensland（南昆士兰大学）
针对方面级情感分析中标注数据稀缺的问题，提出三种基于ChatGPT的数据增强策略并结合对比学习，实验验证其均能提升性能，其中上下文-方面增强策略效果最优。
2024-09-17 cs.CL
A Labelled Dataset for Sentiment Analysis of Videos on YouTube, TikTok, and Other Sources about the 2024 Outbreak of Measles
Emory University（埃默里大学）
该论文构建了一个包含4011个关于2024年麻疹暴发视频的标注数据集，利用VADER、TextBlob和DistilRoBERTa-base进行情感、主观性和细粒度情感分析，并提出了开放研究问题。
2024-07-18 cs.AI cs.CL cs.CY
SentiQNF: A Novel Approach to Sentiment Analysis Using Quantum Algorithms and Neuro-Fuzzy Systems
Institute of Advanced Research（高等研究院）；Hassan II University of Casablanca（卡萨布兰卡哈桑二世大学）；New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校）；NYUAD Research Institute（纽约大学阿布扎比分校研究院）；Bikash’s Quantum (OPC) Pvt. Ltd.（比卡什量子（独资）私人有限公司）；London School of Economics and Political Science（伦敦政治经济学院）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Hurghada University（赫尔格达大学）
本文提出量子模糊神经网络（QFNN），融合量子特性与模糊层，解决经典情感分析在聚类、噪声和高维数据上的局限，在CVTD和GSTD数据集上分别取得100%和90%准确率，并展现对六种噪声模型的鲁棒性。
2025-01-23 cs.CL quant-ph
M2Lens: Visualizing and Explaining Multimodal Models for Sentiment Analysis
Hong Kong University of Science and Technology（香港科技大学）；Carnegie Mellon University（卡内基梅隆大学）；Singapore Management University（新加坡管理大学）
多模态情感分析旨在从多个通信渠道识别人们的态度，诸如言语内容（即，文本）、语音和面部表情。它已成为自然语言处理中一个充满活力和重要的研究课题。许多研究集中在不同的通信渠道之间的复杂的内部和跨模式的相互作用建模。然而，当前具有强大性能的多模态模型通常是基于深度学习的技术，并且像黑匣子一样工作。目前尚不清楚模型如何利用多模态信息进行情感预测。尽管用于增强机器学习模型的可解释性的技术最近取得了进展，但它们通常针对单峰场景（例如，图像，句子），并且很少有研究解释多模态模型。在本文中，我们提出了一个交互式的可视化分析系统，M2Lens，可视化和解释多模态模型的情感分析。M2Lens提供了在全球、子集和局部层面上的模态内和模态间交互的解释。具体来说，它总结了三种典型的交互类型（即，优势、互补和冲突）对模型预测的影响。此外，M2Lens识别频繁和有影响力的多模态特征，并支持从语言，声学和视觉模态多方面探索模型行为。通过两个案例研究和专家访谈，我们证明了我们的系统可以帮助用户深入了解多模态模型的情感分析。
2021-08-29 cs.CL cs.HC cs.LG
NepEMO: A Multi-Label Emotion and Sentiment Analysis on Nepali Reddit with Linguistic Insights and Temporal Trends
Department of Computer Science and Application（计算机科学与应用系）；Mechi Multiple Campus, Tribhuvan University（特里布文大学梅奇多校园）；School of Computer Science（计算机科学学院）；Queensland University of Technology（昆士兰理工大学）；Department of Electronics and Computer Engineering（电子与计算机工程系）；Advanced College of Engineering and Management, Tribhuvan University（特里布文大学先进工程与管理学院）；School of Engineering and Technology（工程与技术学院）
NepEMO数据集通过多标签情绪和情感分析，结合语言洞察与时间趋势，提升尼泊尔Reddit帖子的情感识别能力。
2025-12-28 cs.CL
UPB at SemEval-2020 Task 9: Identifying Sentiment in Code-Mixed Social Media Texts using Transformers and Multi-Task Learning
University Politehnica of Bucharest（布加勒斯特理工大学）
情感分析是一种广泛用于当今进行的意见挖掘活动的过程。这种现象在各种领域中有应用，特别是在收集与用户对特定主题的态度或满意度有关的信息方面。然而，当它应用于倾向于结合两种语言来表达思想和想法的文化时，管理这样一个过程的任务变得明显更加困难。通过交错两种语言的单词，用户可以轻松地表达，但代价是使文本对于那些不熟悉这种技术的人以及标准的意见挖掘算法来说都不太容易理解。在本文中，我们描述了我们的团队为SemEval-2020任务9开发的系统，旨在涵盖两种着名的代码混合语言：印地语-英语和西班牙语-英语。我们打算通过引入一种解决方案来解决这个问题，该解决方案利用了几种神经网络方法以及预训练的词嵌入。我们的方法（多语言BERT）在印地语-英语任务上取得了令人满意的表现，平均F1分数为0.6850，在比赛排行榜上注册，在62名参赛者中排名第16位。对于西班牙语-英语任务，我们使用另一种基于多语言转换器的模型XLM-RoBERTA获得了平均F1分数0.7064，在29名参与者中排名第17。
2020-09-06 cs.CL
Arabic Opinion Mining Using a Hybrid Recommender System Approach
Ferhat Abbas University（费尔哈特·阿巴斯大学）；King Saud University（沙特国王大学）
推荐系统在向用户提供服务和信息方面发挥着重要作用。情感分析（也称为意见挖掘）是确定文本意见的态度的过程，无论它们是积极的，消极的还是中立的。数据稀疏性是推荐系统的一个大问题，因为用户评分不足或缺乏关于用户或项目的数据。本研究提出一种结合情感分析与推荐系统的混合方法，利用文本挖掘与自然语言处理技术预测用户评论中产品的评分，以解决数据稀疏性问题。这项研究特别关注阿拉伯语评论，使用阿拉伯语意见语料库（OCA）数据集对模型进行评估。我们的系统是高效的，它在预测评论评级方面显示出近85%的准确率
2020-09-16 cs.CL
Investigating The Impacting Factors on The Public's Attitudes Towards Autonomous Vehicles Using Sentiment Analysis from Social Media Data
公众的态度在自动驾驶汽车（AV）的接受、购买、使用和研发中起着至关重要的作用。迄今为止，公众对AV的态度大多是通过传统的调查数据来估计的，人力成本高，样本数量少，这可能也是公众对AV态度的影响因素尚未从多个方面进行全面研究的原因之一。针对这一问题，本研究旨在提出一种方法，通过使用大规模的社会媒体数据来调查影响公众对AV的态度和接受的关键因素。使用网络抓取方法，共提取了954，151个与AV相关的Twitter数据和来自七个类别的53个候选自变量。然后，使用情感分析，通过计算情感得分来测量公众对AV的态度。采用随机森林算法根据重要性初步筛选候选自变量，并考虑推文主观性水平造成的不可观测异质性，采用线性混合模型探索影响因素。结果显示，公众对AV的整体态度略乐观。“醉酒”、“盲点”和“流动性”等因素对公众态度的影响最大。此外，当人们谈论与高科技有关的词时，如“激光雷达”和“特斯拉”，人们更有可能表达积极的情绪。相反，“COVID-19”、“行人”、“困倦”和“高速公路”等因素对公众的态度产生了显著的负面影响。本研究的结果对于发展无人驾驶技术、制定无人驾驶相关政策以及提高公众对无人驾驶汽车的认识和接受程度具有一定的参考价值。
2021-08-06 cs.SI
