Sparse Fuzzy Attention for Structured Sentiment Analysis
Shanghai Jiao Tong University(上海交通大学)
注意力评分器在语义和句法依存句法分析等分析任务中取得了成功。然而,在建模为解析的任务中,如结构化情感分析,“依赖边”非常稀疏,这阻碍了解析器的性能。因此,我们提出了一个稀疏和模糊的注意力评分池层,提高解析器的性能,并设置新的国家的最先进的结构化情感分析。我们进一步探讨了结构化的情感分析与二阶解析的解析建模,并介绍了一种新的稀疏二阶边建设过程,导致显着提高解析性能。
2021-09-25 cs.AI cs.CL
USA: Universal Sentiment Analysis Model & Construction of Japanese Sentiment Text Classification and Part of Speech Dataset
Yokohama National University(横滨国立大学);Pusan National University(釜山国立大学)
本文提出通用情感分析(USA)模型,利用单词与文本间的相互增强效应(MRE)并构建四个SCPOS数据集,在四项任务上超越gpt-3.5-turbo。
2023-09-14 cs.CL
Entity-Level Sentiment: More than the Sum of Its Parts
University of Oslo(奥斯陆大学);University of Bamberg(班贝格大学)
针对长文本实体情感研究不足的问题,该研究收集了含实体整体及句子级情感的专家标注数据集,发现实体整体情感与句子级情感聚合结果存在差异,为实体级情感的精准建模评估提供了支撑。
2024-09-17 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
Structured Sentiment Analysis Using Sequence Labeling as Dependency Graph Parsing
Universidade da Coruña(拉科鲁尼亚大学);Graz University of Technology(格拉茨工业大学);University of Copenhagen(哥本哈根大学)
本研究将结构化情感分析转化为依存图解析任务,利用线性化图编码的序列标注方法,在五种语言七个数据集上取得与领先复杂单模型相当的性能。
2026-10-09 cs.CL
Aspect Sentiment Quad Prediction as Paraphrase Generation
The Chinese University of Hong Kong(香港中文大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
基于情感的情感分析(ABSA)近年来得到了广泛的研究,它通常涉及四个基本的情感元素,包括方面类别、方面术语、观点术语和情感极性。现有的研究通常考虑部分情感元素的检测,而不是一次预测四个元素。在这项工作中,我们引入了方面情感四元预测(ASQP)任务,旨在联合检测一个给定的固执己见的句子,这可以揭示一个更全面和完整的方面级情感结构的四元中的所有情感元素。我们进一步提出了一种新的\textsc{Paraphrase}建模范式,将ASQP任务转换为释义生成过程。一方面,生成公式允许以端到端的方式求解ASQP,从而减轻管道解决方案中的潜在错误传播。另一方面,情感元素的语义可以通过学习以自然语言形式生成它们来充分利用。在基准数据集上的大量实验表明了该方法的优越性和统一的\textsc{Paraphrase}建模框架的跨任务迁移能力。
2021-10-02 cs.CL
An Ensemble Model for Sentiment Analysis of Hindi-English Code-Mixed Data
Microsoft India Development Center(微软印度开发中心)
在像印度这样的多语言社会中,代码混合的社交媒体文本构成了互联网的大部分。检测代码混合的用户意见的情感在理解社会,经济和政治趋势方面起着至关重要的作用。在本文中,我们提出了一种基于字符三元组的LSTM模型和基于单词元组的多项朴素贝叶斯(MNB)模型的集成,以识别印地语-英语(Hi-En)代码混合数据的情感。集成模型结合了LSTM模型中丰富的序列模式的优势和概率ngram模型中关键字的极性,以识别稀疏和不一致的代码混合数据中的情感。对真实用户代码混合数据的实验表明,与几个基线和其他基于深度学习的方法相比,我们的方法产生了最先进的结果。
2018-06-12 cs.CL
Generative Aspect-Based Sentiment Analysis with Contrastive Learning and Expressive Structure
University of Michigan(密歇根大学)
生成模型在基于情感的情感分析(ABSA)任务上表现出令人印象深刻的结果,特别是对于提取情感-类别-意见-情感(ACOS)四元组的新兴任务。然而,这些模型难以处理隐含的情感表达,这通常在在线评论等固执己见的内容中观察到。在这项工作中,我们介绍了GEN-SCL-NAT,它包括两个技术,用于改进ACOS四重提取的结构化生成。首先,我们提出了GEN-SCL,这是一种有监督的对比学习目标,通过鼓励模型产生在关键输入属性(如情感极性和隐含意见和方面的存在)中可区分的输入表示来帮助四重预测。其次,我们介绍了GEN-NAT,一种新的结构化生成格式,可以更好地适应自回归编码器-解码器模型,以生成方式提取四元组。实验结果表明,GEN-SCL-NAT在三个ACOS数据集上都取得了最好的性能,平均F1提高了1.48%,在LAPTOP-L1数据集上最大提高了1.73%。此外,我们看到显着的收益隐方面和意见分歧已被证明是具有挑战性的现有ACOS方法。
2022-11-14 cs.CL
Exploiting Social Network Structure for Person-to-Person Sentiment Analysis
Stanford University(斯坦福大学)
人与人之间的评价普遍存在于各种话语中,对建立声誉、建立社会联系和塑造公众舆论都很重要。这种评价可以分别使用签名社交网络和文本情感分析进行分析,但这错过了语言和社交语境之间丰富的互动。为了捕捉这样的互动,我们开发了一个模型,预测个人A的个人B的意见,通过综合信息,从签署的社会网络中,A和B嵌入与情感分析的评价文本有关的A到B。我们证明了这个问题是NP难的,但可以放松到一个有效的可解的铰链损失马尔可夫随机场,我们表明,这种实现优于纯文本和网络版本在两个非常不同的数据集,涉及社区层面的决策:维基百科的管理请求语料库和投票美国国会演讲语料库。
2014-09-08 cs.CL cs.SI physics.soc-ph
Domain-Specific Sentiment Word Extraction by Seed Expansion and Pattern Generation
Harbin Institute of Technology(哈尔滨工业大学);The Chinese University of Hong Kong(香港中文大学)
本文主要研究情感分析的一个基本子任务--领域情感词的自动抽取。大多数以前的工作都使用手动模式来完成此任务。然而,这些方法的性能高度依赖于标记的模式或选择的种子。为了克服上述问题,本文提出了一个自动框架来检测大规模领域特定模式的DSSW提取。为此,情感种子是从大量的用户评论数据集中提取的。随后,这些情感种子使用自举机制通过同义词扩展。同时,建立同义图,并在所建立的同义图上应用图传播算法。然后,自动提取目标词和高排名的情感词之间的句法和顺序关系,构建大规模模式,进一步用于提取DSSW。在三个领域的实验结果表明,我们的方法的有效性。
2013-09-26 cs.CL
Inconsistent Affective Reaction: Sentiment of Perception and Opinion in Urban Environments
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院)
本研究利用街景图像和微博文本数据,通过反应指数和多种分析方法,揭示城市环境中感知与观点情感的不一致性及其影响因素,为城市更新提供策略方向。
2025-10-08 cs.CL cs.LG cs.SI
ETMS@IITKGP at SemEval-2022 Task 10: Structured Sentiment Analysis Using A Generative Approach
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
结构化情感分析(SSA)处理在文本中提取意见元组,其中每个元组(h,e,t,p)由持有者h组成,持有者通过情感表达e向目标t表达情感极性p。虽然以前的作品探索基于图形或基于序列标记的方法的任务,我们在本文中提出了一种新的统一的生成方法来解决SSA,SemEval 2022共享任务。我们利用基于BART的编码器-解码器架构,并适当地修改它,以生成给定句子的意见元组序列。每个生成的元组由七个整数组成,分别表示与持有者、目标和表达跨度的开始和结束位置相对应的索引,后面是目标和情感表达之间相关联的情感极性类。我们对单语和跨语言子任务进行了严格的实验,并在两种设置中的排行榜上获得了竞争性的情绪F1分数。
2022-05-01 cs.AI 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
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
Better Document-level Sentiment Analysis from RST Discourse Parsing
Georgia Institute of Technology(佐治亚理工学院)
语篇结构是语篇表层特征与文本层面属性(如情感极性)之间的隐性联系。我们发现,修辞结构理论(Rectorical Structure Theory,简称RSTO)解析器产生的话语分析可以通过在话语树上组合局部信息来提高文档级情感分析。首先,我们表明,根据它们在修辞结构的依赖表示中的位置来重新加权话语单元可以对基于词汇的情感分析产生实质性的改进。接下来,我们提出了一个递归的神经网络的结构,它提供了显着的改进,基于分类的方法。
2015-09-11 cs.AI cs.CL
INSIGHT-1 at SemEval-2016 Task 4: Convolutional Neural Networks for Sentiment Classification and Quantification
Aylien Ltd.(Aylien有限公司)
本文描述了我们在Twitter中进行情感分析的基于深度学习的方法,作为SemEval-2016任务4的一部分。我们使用一个卷积神经网络来确定情绪并参与所有子任务,即两点,三点和五点尺度的情绪分类和两点和五点尺度的情绪量化。我们在两点尺度的情感分类和量化方面取得了有竞争力的结果,分别排名第五和第四(第三和第二的替代指标),尽管只使用了不包含情感信息的预训练嵌入。我们在三点尺度情感分类上取得了良好的性能,在35个中排名第八,而在五点尺度情感分类和量化上表现不佳。错误分析表明,这是由于模型捕捉负面情绪的表现力较低,以及无法考虑序数信息。我们提出改进建议,以解决这些问题和其他问题。
2016-09-09 cs.CL cs.LG
Sentiment analysis based on rhetorical structure theory: Learning deep neural networks from discourse trees
ETH Zurich(苏黎世联邦理工学院)
情感分析的突出应用数不胜数,涵盖市场营销、客户服务和沟通等领域。传统的词袋方法测量情绪只计算术语频率,然而,它忽略了在话语中的术语的位置。作为一种补救措施,我们开发了一个话语意识的方法,建立在文档的话语结构。为此,我们利用修辞结构理论来标记(子)子句,根据他们的层次关系,然后分配极性得分到单个叶子。为了从由此产生的修辞结构中学习,我们提出了一个基于张量的树结构深度神经网络(名为Discourse-LSTM),以处理完整的话语树。潜在的张量推断出叙事材料的显著段落。此外,我们提出了两个算法的数据增强(节点重新排序和人工叶插入),增加我们的训练集,减少过拟合。我们的基准测试证明了我们方法的卓越性能。此外,我们的张量结构揭示了显着的文本段落,从而提供了解释性的见解。
2018-10-04 cs.CL
Enhancing Financial Sentiment Analysis with Expert-Designed Hint
Artificial Intelligence Research Center, AIST(人工智能研究中心(AIST));Ochanomizu University(御茶水女子大学);University of Tokyo(东京大学)
本文提出在金融社交媒体情感分析中引入专家设计的提示(指出数字重要性),显著提升了各种LLMs的性能,特别是对包含货币相关数字的推文,并验证了心智理论在NLP中的适用性。
2024-09-26 cs.CL
Text Compression for Sentiment Analysis via Evolutionary Algorithms
University of Cape Town(开普敦大学);African Institute for Mathematical Sciences(非洲数学科学研究院);South African Astronomical Observatory(南非天文台)
文本数据可以被智能地压缩而不损失评估情感的准确性吗?在本研究中,我们提出了一种新型的进化压缩算法PARSEC(PARts-of-Speech for sEntiment Compression),该算法利用词性标签来压缩文本,在与情感分析算法结合使用时,牺牲了最小的分类准确性。对12个英语情感数据集的八种商业和非商业情感分析算法的PARSEC的分析揭示,使用LingPipe(最准确的情感算法)的PARSEC的数据压缩的(20%,50%,75%)情感分类准确度损失(0%,1.3%,3.3%)的精确压缩是可能的。其他情感分析算法受到压缩的影响更严重。我们的结论是,显着的压缩文本数据是可能的情感分析取决于特定的应用程序和特定的情感分析算法使用的准确性要求。
2017-09-20 cs.AI cs.CL cs.NE
Evaluation of data inconsistency for multi-modal sentiment analysis
Shanghai Jiao Tong University(上海交通大学)
针对多模态情感分析中的情感语义不一致问题,研究引入模态冲突测试集评估传统模型与多模态大语言模型,发现两者在处理语义冲突数据时均存在性能下降或缺陷,为系统发展提供新挑战与见解。
2024-06-05 cs.AI cs.CL
Stability Analysis of ChatGPT-based Sentiment Analysis in AI Quality Assurance
National Institute of Informatics(国立情报学研究所);National Institute of Advanced Industrial Science and Technology, Japan(日本产业技术综合研究所)
本文针对基于ChatGPT的情感分析系统,通过基准数据集实验分析了其在运行和鲁棒性方面的稳定性问题,揭示了系统存在不确定性及面对小文本攻击时的稳定性缺陷。
2024-01-15 cs.CL
Opinion Extraction as A Structured Sentiment Analysis using Transformers
UC Berkeley School of Information(加州大学伯克利分校信息学院)
关系提取和命名实体识别一直被认为是两个不同的任务,需要不同的输入数据,标签和模型。然而,这两者对于结构化的情感分析都是必不可少的。我们相信,这两个任务可以结合成一个单一的堆栈模型与相同的输入数据。我们进行了不同的实验,以找到从单个句子中提取多个意见元组的最佳模型。意见元组将由持有者、目标和表达式组成。有了意见元组,我们将能够提取我们需要的关系。
2021-12-09 cs.CL cs.LG
From Sentiment Annotations to Sentiment Prediction through Discourse Augmentation
University of British Columbia(不列颠哥伦比亚大学)
情感分析,特别是对于长文档,必然需要捕获复杂语言学结构的方法。为了适应这一点,我们提出了一个新的框架,利用任务相关的话语的情感分析的任务。更具体地说,我们将大规模的情感依赖MEGA-DT树库与基于混合TreeLSTM分层注意力模型的新型情感预测神经架构相结合。实验表明,我们的框架使用情感相关的话语增强进行情感预测,提高了长文档的整体性能,甚至超过了以前使用基于人类注释数据训练的成熟话语解析器的方法。我们表明,一个简单的集成方法可以通过选择性地使用话语,根据文件的长度,进一步提高性能。
2020-11-05 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
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
M2SA: Multimodal and Multilingual Model for Sentiment Analysis of Tweets
Faculty of Humanities and Social Sciences, University of Zagreb(萨格勒布大学人文与社会科学学院);Computational Linguistics, University of Potsdam(波茨坦大学计算语言学系)
本文针对多语言推文情感分析缺乏多模态数据的问题,将现有文本 Twitter 情感数据集整理扩展为多模态格式并进行基线实验,证明情感调优 LLM 文本编码器表现优异。
2024-06-12 cs.CL
SentimentGPT: Exploiting GPT for Advanced Sentiment Analysis and its Departure from Current Machine Learning
Utah State University(犹他州立大学)
本研究在SemEval 2017任务4数据集上对比了提示工程、微调、嵌入分类三类GPT情感分析方法,发现其F1分数超现有最优水平22%,能更好处理语境理解、讽刺检测等难题,为情感分析研究提供了新方向。
2023-07-23 cs.AI cs.CL cs.LG
Opinion Tree Parsing for Aspect-based Sentiment Analysis
Soochow University(苏州大学);Westlake University(西湖大学);Westlake Institute for Advanced Study(西湖高等研究院)
针对方面级情感分析中预训练生成模型计算成本高、缺乏情感元素结构显式建模的问题,提出基于上下文无关观点语法的神经图表观点树解析模型,在保证性能的同时大幅提升了推理速度。
2023-06-15 cs.AI cs.CL
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
Enhancing Cryptocurrency Sentiment Analysis with Multimodal Features
Department of Computer Science, The University of Auckland(计算机科学系,奥克兰大学);School of Information Systems, Queensland University of Technology(信息系统学院,昆士兰技术大学);Department of Economics, The University of Auckland(经济学系,奥克兰大学)
针对加密货币情感分析中视频内容探索不足的问题,提出多模态分析方法,结合大语言模型提取TikTok与Twitter的跨平台情感信号,发现其分别对应短长期市场动态,融合后可将预测准确率提升最高20%。
2025-08-31 cs.CL q-fin.ST
Sentiment Analysis of Code-Mixed Languages leveraging Resource Rich Languages
Language Technologies Research Centre (LTRC)(语言技术研究中心);Kohli Center on Intelligent Systems (KCIS)(科利智能系统中心);International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
针对语码混合数据的情感分析难题,提出结合对比学习、孪生网络与聚类预处理的SACMT方法,将语码混合与标准语言文本映射到公共情感空间,性能显著优于现有最优方法。
2018-04-03 cs.CL
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
Aspect-Based Sentiment Analysis for Open-Ended HR Survey Responses
Universiteit van Amsterdam(阿姆斯特丹大学);Randstad Groep Nederland(荷兰任仕达集团);Randstad(任仕达)
本文提出基于荷兰语BERT的少样本方法,对员工满意度调查中的开放式回复进行基于方面的情感分析,识别六个关键方面并构建数据集,首次成功应用于HR领域。
2024-02-07 cs.CL
Effect of Text Processing Steps on Twitter Sentiment Classification using Word Embedding
Tennessee State University(田纳西州立大学);Old Dominion University(欧道明大学)
原始文本的处理是文本分类和情感分析中至关重要的第一步。然而,文本处理步骤通常使用现成的例程和预构建的单词词典来执行,而不针对域、应用和上下文进行优化。本文研究了七种文本处理方案对特定文本域(Twitter)和应用程序(情感分类)的影响。基于跳过语法的词嵌入被开发为包括Twitter口语词、表情符号和主题标签关键词,这些关键词通常由于在传统文学语料库中不可用而被移除。我们的实验揭示了两个常见的文本处理步骤对情感分类的负面影响:1)停止词去除和2)平均词向量来表示单个推文。新的有效步骤1)包括非ASCII表情符号字符,2)从词嵌入中测量词的重要性,3)将词向量聚合到推文嵌入中,以及4)开发线性可分离的特征空间,以优化情感分类管道。文本处理步骤的最佳组合在对具有三个情感标签的14,640条推文进行分类时产生最高的平均曲线下面积(AUC)88.4(+/-0.4)。从上下文驱动的词嵌入中进行的词选择显示,只有推文中最重要的十个词累积产生超过98%的最大准确率。结果表明,数据驱动的选择的重要的话,而不是使用预先建立的单词词典的推文分类的手段。所提出的推文嵌入对几个文本处理步骤是鲁棒的,并且简化了对几个文本处理步骤的需要。
2020-07-25 cs.CL cs.IR cs.LG
Structured Self-Attention Weights Encode Semantics in Sentiment Analysis
Stanford University(斯坦福大学);Institute of High Performance Computing, Agency for Science, Technology and Research(科学技术研究局高性能计算研究所);National University of Singapore(新加坡国立大学)
神经注意力,特别是由Transformer普及的自我注意力,已经成为最先进的自然语言处理(NLP)模型的主力。最近的工作表明,自我注意力的Transformer编码的句法信息,在这里,我们表明,自我注意力得分编码语义考虑情感分析任务。与基于梯度的特征属性方法相比,我们提出了一种简单有效的分层注意力跟踪(LAT)方法来分析结构化注意力权重。我们将我们的方法应用于在两个任务上训练的Transformer模型,这两个任务具有表面差异,但具有共同的语义-电影评论的情感分析和生活故事叙述中的时间序列效价预测。在这两项任务中,具有高聚合注意力权重的单词具有丰富的情感语义,这一点通过由人类注释者标记的情感词典进行了定量验证。我们的研究结果表明,结构化注意力权重编码丰富的语义在情感分析,并匹配人类的解释语义。
2020-10-10 cs.AI cs.CL
Direct parsing to sentiment graphs
University of Oslo(奥斯陆大学);University of the Basque Country UPV/EHU(巴斯克大学(UPV/EHU));National Library of Sweden(瑞典国家图书馆)
本文演示了如何基于图的语义解析器可以应用到结构化的情感分析的任务,直接预测文本的情感图。我们在5个标准基准集中的4个上推进了最先进的技术。我们发布源代码、模型和预测。
2022-04-26 cs.CL
Using Structured Representation and Data: A Hybrid Model for Negation and Sentiment in Customer Service Conversations
IBM-Research, Almaden(IBM阿尔马登研究院)
Twitter的客户服务互动最近已经成为一个有效的平台,以回应和与客户互动。在这项工作中,我们探讨了否定在客户服务互动中的作用,特别是应用于情感分析。我们定义的规则,以确定真正的否定线索和范围更适合于会话数据比现有的一般审查数据。使用语义知识和句法结构的选区解析树,我们提出了一个算法的范围检测,执行最先进的BiLSTM。我们进一步研究了使用传统SVM和神经网络对客户服务会话数据的情感预测任务的否定范围检测结果。我们提出了一种基于反义词词典的否定方法,应用于情感分析的CNN-LSTM组合模型。实验结果表明,基于反义词的方法优于以往的基于词典和神经网络的方法。
2019-06-11 cs.AI cs.CL
Public discourse and sentiment during the COVID-19 pandemic: using Latent Dirichlet Allocation for topic modeling on Twitter
University of Toronto(多伦多大学);University of Pittsburgh(匹兹堡大学);Chinese Academy of Sciences(中国科学院);University of Chinese Academy of Sciences(中国科学院大学)
该研究旨在了解Twitter用户对COVID-19的话语和心理反应。我们使用机器学习技术分析了从2020年1月23日至3月7日收集的约190万条与冠状病毒相关的推文(用英语撰写)。报告共列出11个重要主题,并将其分为10个主题,包括“确诊病例的最新情况”、“与COVID-19相关的死亡”、“中国以外(全球)的病例”、“韩国COVID-19疫情”、“纽约疫情的早期迹象”、“钻石公主号邮轮”、“经济影响”、”预防措施”、“当局”和“供应链”。“结果并没有显示治疗和症状相关的信息是Twitter上的流行话题。情感分析显示,对冠状病毒未知性质的恐惧在所有话题中占主导地位。最后,本文还讨论了本研究的意义和局限性。
2020-07-08 cs.CL cs.CY cs.SI
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
Tracing Intricate Cues in Dialogue: Joint Graph Structure and Sentiment Dynamics for Multimodal Emotion Recognition
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院);Institute of Artificial Intelligence, Huazhong University of Science and Technology(华中科技大学人工智能研究院);Hubei Key Laboratory of Brain-Inspired Intelligent Systems, Huazhong University of Science and Technology(华中科技大学脑启发智能系统省重点实验室);Key Laboratory of Image Processing and Intelligent Control (Huazhong University of Science and Technology), Ministry of Education(图像处理与智能控制重点实验室(华中科技大学))
提出GraphSmile方法,通过GSF模块交替吸收跨模态和模态内情感依赖避免融合冲突,并利用SDP辅助任务捕捉情感动态,显著提升了多模态情感识别与分析任务的性能。
2025-06-29 cs.CL
Emotions are Universal: Learning Sentiment Based Representations of Resource-Poor Languages using Siamese Networks
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术研究所)
针对情感分析对资源的依赖问题,提出基于孪生网络的SNASA模型,通过联合训练高低资源语言在公共情感空间学习表示,在多语言数据集上性能优于现有方法。
2018-04-03 cs.CL
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
Seeking Sinhala Sentiment: Predicting Facebook Reactions of Sinhala Posts
University of Moratuwa(莫拉图瓦大学);LIRNEasia(LIRNEasia(亚洲区域信息学研究组织))
Facebook网络允许其用户通过情感类型来记录他们对文本的反应。因此,这个网络,在规模上,是一个注释的情感数据的主要数据集。本文使用了数百万个这样的反应,这些反应来自于十年来围绕斯里兰卡背景的Facebook帖子数据,以模拟在线僧伽罗语文本内容的情感检测的旁观者方法。建立三个不同的情感分析模型,考虑到有限的反应子集、所有反应和导出正/负星级值的另一个。这些模型在捕捉观察者的反应的功效,然后计算和讨论。分析表明,僧伽罗语含量的反应的二元分类比其他方法更准确。此外,包含类似反应阻碍了准确预测其它反应的能力。
2021-12-01 cs.CL cs.LG
Does syntax matter? A strong baseline for Aspect-based Sentiment Analysis with RoBERTa
Fudan University(复旦大学);Carnegie Mellon University(卡内基梅隆大学)
基于方面的情感分析(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。以往的工作表明,句法信息,如依赖树,可以有效地提高ABSA的性能。最近,预训练模型(PTM)也在ABSA上显示了其有效性。因此,问题自然出现了PTMs是否包含足够的语法信息ABSA,使我们可以得到一个很好的ABSA模型只基于PTMs。在本文中,我们首先比较了从PTM和依存句法分析树的ABSA任务的几个流行的模型,从微调Roberta(FT-Roberta)的诱导树优于解析器提供的树。进一步的分析实验表明,FT-RoBERTa诱导树更倾向于情感词,有利于ABSA任务的完成。实验还表明,纯RoberTa为基础的模型可以优于或接近以前的SOTA性能在六个数据集,四种语言,因为它隐含地纳入了面向任务的句法信息。
2021-04-11 cs.CL
An Experimental Evaluation of Japanese Tokenizers for Sentiment-Based Text Classification
Tokyo Denki University(东京电机大学)
本研究评估了MeCab、Sudachi和SentencePiece三种日语分词工具在情感文本分类中的表现,发现SentencePiece结合TF-IDF与逻辑回归的分类性能最优。
2024-12-23 cs.CL
Sentiment Analysis On YouTube Comments Using Machine Learning Techniques Based On Video Games Content
Universiti Malaysia Pahang Al-Sultan Abdullah(马来西亚彭亨苏丹阿卜杜拉大学)
本研究针对游戏行业需求,利用YouTube API收集游戏相关评论,通过TextBlob预处理后用朴素贝叶斯、逻辑回归和SVM分类,发现SVM性能最优,为游戏开发者提供情感反馈,未来将整合更复杂NLP技术优化分析。
2025-11-10 cs.CL
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
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
A Statistical Parsing Framework for Sentiment Classification
Beihang University(北京航空航天大学);Microsoft Research(微软研究院)
在这篇文章中,我们提出了一个统计分析框架,用于情感分类。不同于以往的作品,采用句法分析结果的情感分析,我们开发了一个统计分析器,直接分析句子的情感结构。我们证明了情感分析中的复杂现象(例如,否定、强化和对比)可以以统一和概率的方式与简单和直接的情感表达相同地处理。我们制定的情感语法上上下文无关文法(CFGs),并提供了一个正式的描述的情感分析框架。我们开发的解析模型,以获得可能的情感分析树的句子,从极性模型提出了推导出的情感强度和极性,和排名模型是专门选择最好的情感树。我们训练的解析器直接从句子的例子注释只有情感极性标签,但没有任何句法注释或极性注释的成分在句子内。因此,我们可以很容易地获得训练数据。特别是,我们训练一个情感分析器,S.分析器,从大量的评论句子与用户的评级作为粗略的情感极性标签。在现有基准数据集上进行的大量实验表明,与基线情感分类方法相比,该方法有显着的改进。
2015-03-05 cs.CL
From Stars to Insights: Exploration and Implementation of Unified Sentiment Analysis with Distant Supervision
Peking University(北京大学);University of Notre Dame(南达科他大学)
本文提出统一情感分析范式及远程监督金字塔网络(DSPN),通过金字塔结构分层捕获词、方面和文档级情感,仅用星级标签即可实现与基准模型相当的性能且具可解释性。
2025-08-13 cs.CL
Dependency Structure Augmented Contextual Scoping Framework for Multimodal Aspect-Based Sentiment Analysis
本文提出DASCO框架,通过多任务预训练策略和依存树句法分支增强多模态基于方面情感分析的细粒度范围界定,有效解决情感线索感知、多模态错位和语义噪声三大挑战,在多个基准数据集上达到最先进性能。
2025-10-30 cs.CL cs.MM
Personality Analysis for Social Media Users using Arabic language and its Effect on Sentiment Analysis
University of Tehran(德黑兰大学)
本研究构建了包含3250名用户的阿拉伯语Twitter人格数据集AraPers,利用BERT等机器学习技术结合语言与个人资料特征预测人格特质(准确率74.86%),并证实人格特质对社交媒体情感分析有显著影响。
2024-07-22 cs.CL
Effective Token Graph Modeling using a Novel Labeling Strategy for Structured Sentiment Analysis
Wuhan University(武汉大学)
现有的结构化情感分析模型将情感分析问题转化为一个依存句法分析问题,存在以下局限性:(1)跨度预测和跨度关系预测的标注比例不平衡。(2)在该任务中,情感元组分量的跨度长度可能非常大,这将进一步加剧不平衡问题。(3)依赖图中的两个节点不能有多个弧,因此一些重叠的情感元组不能被识别。在这项工作中,我们提出了针对这些问题的解决方案。首先,我们介绍了一种新的标记策略,它包含两个集的令牌对标签,即基本标签集和整体标签集。基本标签集由该任务的基本标签组成,这些标签相对平衡并应用于预测层。整个标签集包括丰富的标签,以帮助我们的模型捕获各种标记关系,这些标记关系应用于隐藏层,以柔和地影响我们的模型。此外,我们还提出了一个有效的模型,很好地配合我们的标记策略,它配备了图注意力网络迭代细化令牌表示,和自适应多标签分类器动态预测令牌对之间的多种关系。我们在四种语言的5个基准数据集上进行了广泛的实验。实验结果表明,我们的模型优于以前的SOTA模型的大幅度。
2022-03-21 cs.CL
What Emotions Make One or Five Stars? Understanding Ratings of Online Product Reviews by Sentiment Analysis and XAI
Yonsei University(延世大学)
当人们在网上购买产品时,他们的决定主要基于在线评论中其他人的推荐。目前的工作是通过情感分析来分析这些在线评论,并使用提取的情感作为特征,通过几种机器学习算法来预测产品评级。这些预测通过各种可解释AI(XAI)方法进行分解,以了解模型在预测过程中是否显示出任何偏差。研究1对这些算法(knn,支持向量机,随机森林,梯度提升机,XGBoost)进行了基准测试,并将随机森林和XGBoost确定为预测产品评级的最佳算法。在研究2中,全局特征重要性的分析确定了情绪喜悦和情绪效价消极作为最具预测性的特征。两种XAI可视化方法,局部特征属性和部分依赖图,揭示了实例级别上的几个不正确的预测机制。执行基准分类,研究3确定了一个高的无信息率为64.4%,表明高类不平衡的根本原因,所确定的问题。总之,必须谨慎对待机器学习算法的良好性能,因为在这项工作中遇到的数据集可能偏向于某些预测。这项工作演示了XAI方法如何揭示这种预测偏差。
2020-02-29 cs.AI cs.CL cs.CY