Negation Handling in Machine Learning-Based Sentiment Classification for Colloquial Arabic
Jazan University（吉赞大学）
情感分析的一个关键方面是否定处理，其中否定的发生可以翻转句子的情感，并对基于机器学习的情感分类产生负面影响。在阿拉伯语情感分析中，否定的作用仅在有限的程度上被探索，特别是对于阿拉伯语口语。在本文中，作者解决了基于机器学习的情感分类的阿拉伯语口语的否定问题。为此，我们提出了一个简单的基于规则的算法来处理这个问题;规则是根据观察到的许多否定情况来制定的。此外，简单的语言知识和情感词典用于此目的。作者还研究了所提出的算法对不同机器学习算法的性能的影响。所提出的算法给出的结果进行了比较与三个基线模型。实验结果表明，与基线相比，该算法对分类器的准确率、精确率和召回率都有积极的影响。
2021-07-24 cs.CL
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
SMARTies: Sentiment Models for Arabic Target Entities
Columbia University（哥伦比亚大学）
我们认为实体级的情感分析在阿拉伯语，一个形态丰富的语言，资源不断增加。我们提出了一个系统，适用于复杂的职位写在阿拉伯语报纸的文章。我们的目标是在帖子中识别出重要的实体“目标”，以及每个目标所表达的极性。我们在多个基线上实现了显着的改进，表明使用特定的形态表示提高了识别重要目标及其情感的性能，并且使用分布语义聚类进一步提高了这些表示的性能，特别是当更丰富的语言资源不可用时。
2017-01-12 cs.CL
MAPROC at AHaSIS Shared Task: Few-Shot and Sentence Transformer for Sentiment Analysis of Arabic Hotel Reviews
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）
针对AHaSIS共享任务中酒店领域阿拉伯方言情感分析的数据稀缺难题，提出基于SetFit框架的小样本学习方案，在官方评测中取得73%的F1值，验证了小样本方法的应用潜力。
2025-11-19 cs.CL
A Combined CNN and LSTM Model for Arabic Sentiment Analysis
Coventry University（考文垂大学）
深度神经网络在处理来自广泛应用领域的具有挑战性的大型数据集时表现出良好的数据建模能力。卷积神经网络（CNN）在选择好的特征方面具有优势，而长短期记忆（LSTM）网络已被证明具有良好的学习序列数据的能力。据报道，这两种方法都在图像处理、话音识别、语言翻译和其他自然语言处理（NLP）任务等领域提供了改进的结果。Twitter短文本信息的情感分类是一项具有挑战性的任务，而阿拉伯语情感分类任务的复杂性增加，因为阿拉伯语是一种形态丰富的语言。此外，阿拉伯语准确的预处理工具的可用性是目前的另一个限制，以及该领域的研究有限。在本文中，我们研究了集成CNN和LSTM的好处，并报告了在不同数据集上提高阿拉伯语情感分析准确性的方法。此外，我们试图考虑形态的多样性，特定的阿拉伯语单词使用不同的情感分类水平。
2018-07-22 cs.CL
Using objective words in the reviews to improve the colloquial arabic sentiment analysis
Jazan University（贾赞大学）
阿拉伯语的情感分析的主要困难之一是口语的存在。在本文中，我们研究的效果，使用客观的话与感性的话对情绪分类的阿拉伯语口语评论，特别是约旦口语评论。评论通常包括情感和客观词，然而，大多数现有的情感分析模型忽略了客观词，因为它们被认为是无用的。在这项工作中，我们创建了两个词汇：第一个包括口语情感词和复合短语，而另一个包含与基于特定估计方法的情感倾向值相关联的客观词。我们使用这些词典来提取情感特征，这些情感特征将作为支持向量机（SVM）的训练输入，以分类评论的情感极性。评论数据集是从JEERAN网站手动收集的。实验结果表明，该方法提高了极性分类相比，两个基线模型，准确率为95.6%。
2017-09-25 cs.CL
A Comparative Study of Feature Selection Methods for Dialectal Arabic Sentiment Classification Using Support Vector Machine
Jazan University（贾赞大学）
与其他语言不同的是，阿拉伯语具有词法的复杂性，这使得阿拉伯语的情感分析是一项具有挑战性的任务。此外，阿拉伯语文本中方言的存在使得情感分析任务更具挑战性，因为缺乏管理书写或口语系统的具体规则。通常，情感分析的问题之一是特征向量的高维性。为了解决这个问题，已经提出了许多特征选择方法。与阿拉伯方言不同，这些选择方法在英语中得到了广泛的研究。本文研究了特征选择方法及其组合对方言阿拉伯语情感分类的影响。特征选择方法有信息增益（IG）、相关性、支持向量机（SVM）、基尼指数（GI）和卡方。一些实验进行了辩证的约旦评论与使用SVM分类。此外，不同的术语加权方案，词干，停止字删除，和功能模型的性能上的影响进行了研究。实验结果表明，将支持向量机和相关特征选择方法与unigram模型相结合，得到了最佳的SVM分类器性能。
2019-02-17 cs.CL
Comparative Approaches to Sentiment Analysis Using Datasets in Major European and Arabic Languages
本研究比较了BERT、mBERT和XLM-R在多语言情感分析中的表现，发现XLM-R在形态复杂语言中准确率超88%，并强调了微调策略对低资源语言分类的重要性。
2025-01-21 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
Deep Multi-Task Model for Sarcasm Detection and Sentiment Analysis in Arabic Language
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；Sidi Mohamed Ben Abdellah University（西迪·穆罕默德·本·阿卜杜拉大学）；University of Sherbrooke（舍布鲁克大学）
讽刺和反语等比喻性语言手段的突出给阿拉伯语情感分析带来了严峻的挑战。虽然以前的研究工作分别解决SA和讽刺检测，本文介绍了一个端到端的深度多任务学习（MTL）模型，允许两个任务之间的知识交互。我们的MTL模型的架构包括一个双向编码器表示从Transformers（BERT）模型，一个多任务注意力交互模块，和两个任务分类器。总体上得到的结果表明，我们提出的模型优于它的单任务对应的SA和讽刺检测子任务。
2021-06-23 cs.CL
A comprehensive survey of contemporary Arabic sentiment analysis: Methods, Challenges, and Future Directions
University of Edinburgh（爱丁堡大学）；University of Birmingham（伯明翰大学）
本文系统综述了阿拉伯语情感分析的深度学习方法，对比一般情感分析指出研究空白，并总结主要挑战与未来研究方向。
2025-02-06 cs.AI cs.CL
Idioms-Proverbs Lexicon for Modern Standard Arabic and Colloquial Sentiment Analysis
Cairo University（开罗大学）
虽然，在过去十年中，在情感分析（SA）和意见挖掘（OM）系统中的相当数量的工作以及关于这些系统的性能，但是由于语言本身的性质存在的复杂性和挑战，仍然没有期望的性能，特别是对于诸如阿拉伯语的形态丰富语言（MRL）。这些挑战之一是在作者文本或评论中检测成语或谚语短语。成语或谚语是一种独特的言语形式或表达方式。在语法上，它不能从其元素的单独含义来理解，并且当被视为单独的单词时会产生不同的情绪。因此，为了便于自动SA系统的词汇短语的检测和分类的任务，本文提出了AIPSeLEX现代标准阿拉伯语（MSA）和口语的一种新的成语/谚语情感词典。AIPSeLEX是手动收集和注释的句子水平与语义取向（积极或消极）。手工建立和注释的词典的努力报告。此外，我们建立了一个分类器，提取成语和谚语，短语从文本中使用n-gram和相似性度量方法。最后，对各种数据进行了几次实验，包括来自公开的阿拉伯语在线评论网站（社交媒体，博客，论坛，电子商务网站）的阿拉伯语推文和阿拉伯语微博（酒店预订，产品评论和电视节目评论），以评估AIPSeLEX的覆盖范围和准确性。
2015-06-05 cs.CL
NileTMRG at SemEval-2017 Task 4: Arabic Sentiment Analysis
Center for Informatics Sciences Nile University（尼罗河大学信息科学中心）；Faculty of Computers and Information, Cairo University（开罗大学计算机与信息学院）
本文描述了作者用于解决阿拉伯语情感分析的两个系统，作为SemEval-2017任务4的一部分。作者参与了三个阿拉伯语相关的子任务，即：子任务A（消息极性分类），子任务B（基于主题的消息极性分类）和子任务D（推文量化），使用团队名称NileTMRG。对于子任务A，我们使用了我们以前开发的情感分析器，我们增加了一个得分词典。对于子任务B和D，我们使用了三个不同分类器的集成。第一个分类器是一个卷积神经网络，我们为它训练了（word 2 vec）词嵌入。第二个分类器由多层感知器组成，而第三个分类器是Logistic回归模型，其采用与第二个分类器相同的输入。三个分类器之间的投票被用来确定最终结果。对任务B的输出进行量化，以产生任务D的结果。在NileTMRG参与的所有三项与阿拉伯语相关的任务中，该团队均排名第一。
2017-10-23 cs.CL
Subjective Sentiment Analysis for Arabic Newswire Comments
本文提出了一种基于监督机器学习方法的方法来区分积极，消极和中立的阿拉伯语评论在线新闻专线。语料库被标记为主观性和情感分析（SSA）在话语水平。该模型使用计数和TF-IDF表示，并应用六种机器学习算法;多项式朴素贝叶斯，支持向量机（SVM），随机森林，逻辑回归，多层感知器和使用uni-gram，bi-gram特征的k-最近邻。其目标是从书面文本中提取用户情感。实验结果表明，n-gram特征可以大大提高性能，并表明多项式朴素贝叶斯方法在预测主题极性方面是最准确的。使用基于单词的uni-gram和bi-gram组合训练的计数向量实现了最佳结果，两个类的总体准确率为85.57%，三个类的总体准确率为65.64%。
2019-11-09 cs.CL
Arabic aspect based sentiment analysis using bidirectional GRU based models
Assiut university（艾斯尤特大学）
基于语义的情感分析（ABSA）完成了细粒度的分析，定义了给定文档或句子的各个方面以及关于每个方面所传达的情感。这一层次的分析是最详细的版本，能够探索审查的细微差别的观点。ABSA的大部分学习集中在英语上，很少有阿拉伯语的工作。大多数以前的阿拉伯语工作都是基于常规的机器学习方法，主要依赖于一组稀有的资源和工具来分析和处理阿拉伯语内容，如词典，但缺乏这些资源带来了另一个挑战。为了解决这些挑战，提出了基于深度学习（DL）的方法，其使用基于ABSA的门控递归单元（GRU）神经网络的两个模型。第一种是DL模型，其通过组合双向GRU、卷积神经网络（CNN）和条件随机场（CRF）来利用单词和字符表示，从而构成（BGRU-CNN-CRF）模型以提取主要意见方面（OTE）。第二种是基于双向GRU（IAN-BGRU）的交互式注意力网络，以识别对提取的方面的情感极性。我们使用基准阿拉伯语酒店评论数据集评估了我们的模型。结果表明，所提出的方法是优于基线研究的两个任务有39.7%的增强F1分数的意见目标提取（T2）和7.58%的准确性方面为基础的情感极性分类（T3）。T2的F1评分为70.67%，T3的准确率为83.98%。
2021-10-06 cs.CL
DialectSentEval 2026: Arabic Dialect Sentiment Analysis and Swapping Shared Task
King Fahd University of Petroleum and Minerals（法赫德国王石油矿产大学）；Onaizah Colleges（欧奈扎学院）；University College of Applied Sciences（应用科学大学学院）；Lancaster University（兰卡斯特大学）；UM6P（穆罕默德六世理工大学）；VinUniversity；El Technology；University of Luxembourg（卢森堡大学）
本文提出DialectSentEval 2026共享任务，包含多方言情感分类与情感互换两个子任务，旨在推动阿拉伯语方言情感分析研究，并总结参与模型的主要发现。
2026-10-06 cs.AI cs.CL
Sentiment Analysis Dataset in Moroccan Dialect: Bridging the Gap Between Arabic and Latin Scripted dialect
University Sultan Moulay Slimane（苏丹穆莱·斯拉曼大学）
针对摩洛哥方言情感分析研究不足、现有研究难以覆盖阿文与拉丁文混合网络内容的问题，本研究构建了含2万条标注文本的最大规模多文字摩洛哥方言情感分析公开数据集，经多模型对比实验实现92%的准确率，且在公开小数据集上验证了可靠性。
2024-09-12 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
SentiALG: Automated Corpus Annotation for Algerian Sentiment Analysis
Ecole Superieure des sciences appliquées d’Alger（阿尔及尔高等应用科学学院）；Ecole nationale Supérieure d’Informatique（国立高等计算机学院）；University of Stirling（斯特灵大学）
数据标注是一个重要但耗时且昂贵的过程。为了将文本分为两类，我们需要的第一件事是一个好的注释指南，确定每个类所需的条件。在文献中，与适当的数据注释相关的困难被低估了。在本文中，我们提出了一种新的方法来自动构建一个注释的情感语料库阿尔及利亚方言（马格里布阿拉伯语方言）。该语料库的建设是基于阿尔及利亚的情感词汇，也是自动构建的。所展示的作品涉及阿拉伯语社交媒体上广泛使用的两种脚本：阿拉伯语和阿拉伯语。所提出的方法自动构建包含8000条消息的情感语料库（其中4000条消息专用于阿拉伯语，4000条消息专用于阿拉伯语）。阿拉伯语和阿拉伯语测试集的F1分数分别高达72%和78%。正在进行的工作旨在整合阿拉伯语信息的音译过程，以进一步改善所取得的成果。
2018-08-15 cs.CL
A Study of the Effect of Resolving Negation and Sentiment Analysis in Recognizing Text Entailment for Arabic
Al-Albayt University（阿尔阿勒拜特大学）
蕴涵关系的识别表明，蕴涵关系对自然语言处理领域（文本摘要、问答等）的语义推理提取有重要影响。并提高了他们的产出结果。对于阿拉伯语，很少有人尝试涉及阿拉伯语的蕴涵问题。本文旨在通过解决文本假设对的否定和确定文本假设对的极性是正、负还是中性来提高阿拉伯语文本的蕴涵准确性。注意到，由于否定反转了真值，因此在检测蕴涵关系时，否定检测特征的缺失给出了不准确的结果。否定词被认为是停止词，并从文本假设对中删除，这可能导致错误的蕴涵决策。另一个以前没有解决的情况是，正面文本不可能包含负面文本，反之亦然。在本文中，为了分类文本假设对极性，情感分析工具的使用。我们表明，分析的极性的文本假设对增加蕴涵的准确性。为了评估我们的方法，我们使用了一个由618个文本假设对组成的阿拉伯语文本蕴涵数据集（ArbTEDS），并表明通过解析蕴涵关系的否定和分析文本假设对的极性来提高阿拉伯语蕴涵的准确性。
2019-07-05 cs.CL
Mapping the Multilingual Margins: Intersectional Biases of Sentiment Analysis Systems in English, Spanish, and Arabic
Columbia University（哥伦比亚大学）
随着自然语言处理系统变得越来越普遍，有必要解决其实施和部署中的公平性问题，以确保其对社会的负面影响得到理解和最小化。然而，使用多语言和交叉框架或下游任务研究公平性的工作有限。在本文中，我们介绍了四个多语种的公平评估语料库，补充测试集，旨在衡量社会偏见，和一个新的统计框架，研究自然语言处理中的单一和交叉的社会偏见。我们使用这些工具来测量性别，种族，民族和跨部门的社会偏见，在英语，西班牙语和阿拉伯语的情绪回归任务训练的五个模型。我们发现，许多系统表现出统计上显着的单一和交叉的社会偏见。
2022-04-07 cs.CL
AHaSIS: Shared Task on Sentiment Analysis for Arabic Dialects
School of Computing and Communications, Lancaster University, UK（计算与通信学院，兰卡斯特大学，英国）；Jazan University, Saudi Arabia（朱兹安大学，沙特阿拉伯）；Mohammed VI Polytechnic University, Morocco（穆莱·易卜拉欣·聚technic大学，摩洛哥）；King Fahd University of Petroleum and Minerals, Saudi Arabia（国王 Fahd石油和矿物大学，沙特阿拉伯）
针对阿拉伯酒店业对方言情感分析工具的需求，推出AHaSIS阿拉伯方言情感分析共享任务，构建经母语者校验的多方言酒店评论数据集，评估参赛系统性能，验证了跨方言情感分析的可行性与现存挑战。
2025-11-17 cs.AI cs.CL
ASAD: A Twitter-based Benchmark Arabic Sentiment Analysis Dataset
University of Jeddah（吉达大学）；KAUST（阿卜杜拉国王科技大学）；Lucidya
本文提供了一个新的基于Twitter的基准数据集的阿拉伯语情感分析（ASAD），这是在比赛中推出的详细描述3，由KAUST赞助的奖励10000美元，5000美元和2000美元的第一，第二和第三名的获奖者，分别。与其他公开发布的阿拉伯语数据集相比，ASAD是一个大型的高质量注释数据集（包括95K推文），具有三级情感标签（积极，消极和中性）。我们介绍了数据汇集过程和注释过程的细节。此外，我们实施了几个基线模型的竞争任务，并报告的结果作为参考的参与者的竞争。
2021-03-10 cs.CL cs.LG
BARRAC: Adaptation of an English Aspect-based Sentiment Analysis Approach for Classification Tasks in Arabic Dialects
University of New South Wales（新南威尔士大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本文提出BARRAC，将英文基于方面的情感分析框架适配至阿拉伯语分类任务，在五个方言数据集上平均宏F1达63.93%，优于现有少标签方法及GPT-4o，证明任务特定方法适配的有效性。
2026-10-01 cs.AI cs.CL
Improving the results of string kernels in sentiment analysis and Arabic dialect identification by adapting them to your test set
University of Bucharest（布加勒斯特大学）
最近，字符串内核已经在各种文本分类任务中获得了最先进的结果，例如阿拉伯语方言识别或母语识别。在本文中，我们采用两种简单而有效的转导学习方法，以进一步改善字符串内核的结果。第一种方法基于将训练集中的样本和测试集中的样本之间的成对字符串内核相似性解释为特征。我们的第二种方法是基于两次学习迭代的简单自训练方法。在第一次迭代中，像往常一样，在训练集上训练分类器并在测试集上测试。在第二次迭代中，将多个测试样本（分类器与其相关联的置信度分数较高）添加到训练集中以进行另一轮训练。然而，添加的测试样本的地面实况标签是不必要的。相反，我们使用分类器在第一次训练迭代中预测的标签。通过调整字符串内核的测试集，我们报告显着更好的准确率在英语极性分类和阿拉伯语方言识别。
2018-08-31 cs.CL
Arabic Text Sentiment Analysis: Reinforcing Human-Performed Surveys with Wider Topic Analysis
Princess Nourah bint Abdulrahman University（努拉宾特阿卜杜拉赫曼大学）；University of Durham（杜伦大学）
本文结合133篇论文的人工调查与2297篇文献的主题建模、时间分析，系统梳理阿拉伯语情感分析方法、算法、资源与工具缺口，并提出未来方向。
2024-03-04 cs.CL
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
LABR: A Large Scale Arabic Sentiment Analysis Benchmark
Cairo University（开罗大学）
我们介绍了LABR，最大的情感分析数据集的日期为阿拉伯语。它由超过63，000篇书评组成，每一篇都被评为1至5星。我们调查的数据集的属性，并提出其统计。我们探索使用数据集进行两项任务：（1）情感极性分类;（2）评级分类。此外，我们提供了数据集的标准分割，分为训练，验证和测试，用于极性和评级分类，在平衡和不平衡的设置。我们通过对数据集进行全面分析来扩展我们以前的工作。特别是，我们进行了扩展调查的不同分类器通常用于情感极性分类问题。我们还从包含单个和复合情感词的数据集构建了情感词典，并探讨了其有效性。我们公开了数据集和实验细节。
2015-05-03 cs.CL cs.LG
Overview of the Arabic Sentiment Analysis 2021 Competition at KAUST
KAUST（阿卜杜拉国王科技大学）；University of Jeddah（吉达大学）；Lucidya；KAU（阿卜杜勒阿齐兹国王大学）
本文概述了阿卜杜拉国王科技大学（KAUST）组织的阿拉伯情感分析挑战赛。这项挑战的任务是开发机器学习模型，将给定的推文分类为三个类别之一：积极，消极或中性。从我们最近发布的ASAD数据集来看，我们为竞争对手提供了55K的推文用于训练，20K的推文用于验证，根据这些推文，参与团队的表现在排行榜上排名，https://www.kaggle.com/c/arabic-sentiment-analysis-2021-kaust。比赛共收到来自74支队伍（99名队员）的1247份参赛作品。最终的获胜者由另一个私有的20K tweet集决定，这些tweet集与训练和验证集具有相同的分布。在本文中，我们提出了在竞争中的主要发现，并总结了排名靠前的团队使用的方法和工具。完整的10万条标签推文数据集也在https://www.kaggle.com/c/arabic-sentiment-analysis-2021-kaust/data上发布供公众使用。
2021-09-29 cs.CL cs.LG
Multilevel sentiment analysis in arabic
Islamic university of Gaza（加沙伊斯兰大学）；Hacettepe University（哈塞特佩大学）
在这项研究中，我们的目的是提高阿拉伯语情感分析的性能结果。这可以通过研究最成功的机器学习方法和最有用的特征向量来实现，以将术语和文档级别的情感分为两个类别（积极或消极）。此外，规范的一个极性度的术语，有一个以上的调查。同时，为了处理否定和强化，还制定了一些规则。根据所得到的结果，人工神经网络分类器被提名为最好的分类器在阿拉伯语的术语和文档级情感分析（SA）。此外，在术语水平SA中，阳性和阴性测试类别的平均F分数为0.92。在文档级SA中，阳性测试类的平均F分数为0.94，而阴性类的平均F分数为0.93。
2022-05-24 cs.AI cs.CL
Towards Arabic Multimodal Dataset for Sentiment Analysis
Université Amar Telidji（阿马尔·泰勒吉大学）；Université de Ghardaia（盖尔达耶大学）；Université Ziane Achour - Djelfa（杰勒法齐亚内·阿舒尔大学）
针对阿拉伯语多模态情感分析缺乏标准数据集的问题，本文设计了结合前沿Transformer与特征提取工具的词对齐数据集构建流水线，验证了阿拉伯语多模态情感分析的发展潜力。
2023-06-10 cs.CL cs.LG
Arabic Language Sentiment Analysis on Health Services
Coventry University（考文垂大学）
社交媒体网络现象导致了大量有价值的数据，这些数据可以在线获得并且易于访问。许多用户在不同的社交网络网站上分享图片、视频、评论、评论、新闻和观点，推特是最受欢迎的网站之一。从Twitter收集的数据是高度非结构化的，从推文中提取有用的信息是一项具有挑战性的任务。Twitter拥有大量的阿拉伯语用户，他们大多使用阿拉伯语发布和撰写推文。虽然已经有很多关于英语情感分析的研究，但阿拉伯语的研究和数据集数量有限。本文介绍了一个阿拉伯语数据集，这是关于卫生服务的意见，并已从Twitter上收集。本文首先详细介绍了从Twitter上收集数据的过程，以及对阿拉伯语文本进行过滤、预处理和注释的过程，以建立一个大的阿拉伯语情感分析数据集。在我们的健康数据集上进行的情感分析实验中，使用了几种机器学习算法（朴素贝叶斯，支持向量机和逻辑回归）以及深度和卷积神经网络。
2017-02-10 cs.CL cs.NE cs.SI
Arabic Sentiment Analysis with Noisy Deep Explainable Model
Virginia Tech（弗吉尼亚理工大学）；Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所）；University of Siegen（锡根大学）；UITS（达卡大学信息技术学院）；Bonn-Rhein-Sieg University of Applied Sciences（波恩-莱茵-锡根应用科学大学）
本文提出一种阿拉伯语可解释情感分类框架，通过在BiLSTM和CNN-BiLSTM模型中引入噪声层以克服过拟合并提升性能，同时利用局部替代模型提供预测解释，增强透明度。
2023-11-29 cs.AI cs.CL
ArSentD-LEV: A Multi-Topic Corpus for Target-based Sentiment Analysis in Arabic Levantine Tweets
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；American University of Beirut（贝鲁特美国大学）；Qatar University（卡塔尔大学）
情感分析是一项非常主观和具有挑战性的任务。当应用于阿拉伯语时，其复杂性进一步增加，主要是因为大量的方言是不标准化的，并且在网络中广泛使用，特别是在社交媒体中。虽然已经发布了许多数据集来用阿拉伯语训练情感分类器，但这些数据集中的大多数都包含浅层注释，仅将文本单元的情感标记为单词，句子或文档。在本文中，我们提出了阿拉伯语情绪Twitter数据集的黎凡特方言（ArSenTD-LEV）。根据对黎凡特地区推文的分析结果，我们创建了一个包含4,000条推文的数据集，并附有以下注释：推文的总体情绪、表达情绪的目标、表达情绪的方式以及推文的主题。结果证实了这些注释在提高基线情感分类器性能方面的重要性。他们还证实了在某个领域的培训和在另一个领域的测试之间的差距。
2019-05-25 cs.CL cs.IR cs.LG
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
Multilingual Sentiment Analysis of Summarized Texts: A Cross-Language Study of Text Shortening Effects
本研究跨语言考察了抽取式与生成式摘要对多语言情感分类的影响，发现抽取式更能保留情感而生成式易致失真，并提出平衡可读性与情感保留的混合摘要方法。
2025-03-31 cs.CL
Empirical evaluation of shallow and deep learning classifiers for Arabic sentiment analysis
University of Sharjah（沙迦大学）
这项工作详细比较了深度学习模型的性能，如卷积神经网络（CNN），长短期记忆（LSTM），门控递归单元（GRU），它们的混合体，以及一系列用于阿拉伯语评论情感分析的浅层学习分类器。此外，比较还包括最先进的模型，如Transformer架构和araBERT预训练模型。本研究中使用的数据集是多方言阿拉伯语酒店和书评数据集，这些数据集是阿拉伯语评论的一些最大的公开数据集。结果显示，与文献中报道的类似工作的结果相比，深度学习在二进制和多标签分类方面优于浅层学习。结果的这种差异是由数据集大小引起的，因为我们发现它与深度学习模型的性能成正比。深度和浅层学习技术的性能在准确性和F1得分方面进行了分析。表现最好的浅层学习技术是随机森林，其次是决策树和AdaBoost。使用默认嵌入层的深度学习模型表现相似，而Transformer模型在使用araBERT增强时表现最佳。
2021-12-01 cs.CL cs.LG
EHSAN: Leveraging ChatGPT in a Hybrid Framework for Arabic Aspect-Based Sentiment Analysis in Healthcare
Newcastle University（纽卡斯尔大学）
针对阿拉伯语患者反馈分析不足的问题，提出EHSAN混合框架，结合ChatGPT伪标注与人工审核构建首个可解释的医疗方面级情感数据集，实验证明该方法高效可扩展，仅用少量人工监督即可达到高准确率。
2025-08-04 cs.AI cs.CL cs.LG
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
From Human Annotation to Automation: LLM-in-the-Loop Active Learning for Arabic Sentiment Analysis
Information and Computer Science Department, KFUPM, Dhahran 31261, Saudi Arabia（信息与计算机科学系，KFUPM，沙特阿拉伯达哈兰）
本文提出面向阿拉伯语情感分析的LLM辅助主动学习框架，跨三种数据集比较LSTM、GRU、RNN及多类LLM标注，证明少量LLM标签可达到与人工标注相当或更优的性能。
2025-09-27 cs.AI cs.CL
Spam and Sentiment Detection in Arabic Tweets Using MARBERT Model
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·法伊塞尔大学）；Saudi Telecom Company（沙特电信公司）；Saudi Aramco Cybersecurity Chair（沙特阿美网络安全主席）
本研究利用MARBERT模型对阿拉伯语推文进行情感分析，以提升沙特电信公司客户服务，在24,513条推文数据集上取得了优于现有技术的准确率。
2026-06-25 cs.AI cs.CL
Exploring Tokenization Strategies and Vocabulary Sizes for Enhanced Arabic Language Models
Egypt University of Informatics（埃及信息学大学）；AAST College of Artificial Intelligence（AAST人工智能学院）
本研究系统评估四种分词器及不同词汇表大小对阿拉伯语下游任务的影响，发现带Farasa的BPE在多数任务中表现最佳，且词汇表大小影响有限，为优化阿拉伯语模型提供指导。
2024-09-20 cs.CL
Algerian Dialect
Abdelhamid Mehri University Constantine 02（阿卜杜勒哈米德·梅赫里君士坦丁第二大学）；Constantine 3 University（君士坦丁第三大学）
Algerian Dialect数据集通过45,000条阿尔及利亚阿拉伯语评论，为情感分析和方言阿拉伯语NLP提供首个大规模公开资源。
2025-12-22 cs.CL
Ensemble Language Models for Multilingual Sentiment Analysis
University of New Brunswick（新不伦瑞克大学）
针对低资源语言情感分析研究不足的问题，该研究在两个推文数据集上调研4种预训练语言模型，提出2种集成模型，发现单语模型表现优异、多数投票集成模型性能优于英语基线。
2024-03-10 cs.CL cs.LG
Arabic Multimodal Machine Learning: Datasets, Applications, Approaches, and Challenges
Ziane Achour University（赞赞·阿赫尔大学）
本文提出一种新颖分类法，从数据集、应用、方法和挑战四个主题系统综述阿拉伯语多模态机器学习研究，揭示研究空白并指出未来方向。
2025-08-21 cs.CL
Domain-Adaptive Pre-Training for Arabic Aspect-Based Sentiment Analysis: A Comparative Study of Domain Adaptation and Fine-Tuning Strategies
Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziza University, Jeddah, Saudi Arabia（计算机科学系，计算与信息技术学院，国王阿卜杜勒阿齐兹大学，沙特阿拉伯吉达）
本文针对阿拉伯语方面级情感分析标注数据稀缺问题，提出领域自适应预训练方法，并比较特征提取、全量微调和适配器方法，发现适配器微调计算高效且性能有竞争力，同时通过错误分析指出需引入句法和语义感知模型。
2025-09-20 cs.AI cs.CL cs.LG
sarcasm detection and quantification in arabic tweets
Al-Buraimi University（布赖米大学）
预测文本中的讽刺的作用被称为自动讽刺检测。鉴于讽刺在情感文本中的普遍性和挑战性，这是大多数情感分析任务中的关键阶段。随着世界各地用户对不同社交媒体平台的日益普及和使用，人们在日常对话、社交媒体帖子和推文中越来越多地使用讽刺，这被认为是人们表达对某些话题或问题的看法的一种方式。随着讽刺语的日益流行，研究者们开始把研究的重点放在从不同语言尤其是英语文本中发现讽刺语上。然而，由于讽刺文本的性质，讽刺检测的任务是一项具有挑战性的任务;这可能是相对的，并且取决于主题，区域，用户的心态和其他因素，从一个人到另一个人有显着差异。除了这些挑战之外，由于阿拉伯语的复杂性，阿拉伯语中的讽刺检测也有自己的挑战，例如形态丰富，许多方言彼此之间存在显着差异，同时资源也很低。近年来，只有少数研究尝试开始解决阿拉伯语中的讽刺检测任务，包括创建和收集语料库，组织研讨会和建立基线模型。本文旨在创建一个新的人工标注的阿拉伯语语料库，用于从推文中提取讽刺语，并实现一种新的阿拉伯语推文中讽刺语的检测和量化方法。本文中遵循的注释技术在讽刺检测中是独特的，并且所提出的方法将该问题作为回归问题而不是分类来处理;即，该模型试图预测讽刺的水平，而不是二元分类。
2021-08-03 cs.AI 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/Subjectivity Analysis Survey for Languages other than English
CareerBuilder；Indiana University（印第安纳大学）
主观和情感分析最近得到了相当大的关注。到目前为止，大多数资源和系统都是为英语而建的。为其他语言设计系统的需求正在增加。本文调查了不同的方法用于建立系统的主观和情感分析的语言以外的英语。有三种不同类型的系统用于构建这些系统。第一个（也是最好的）是特定语言系统。第二类系统涉及将情感资源从英语重用或转移到目标语言。第三类方法是基于使用语言独立的方法。本文提出了一个单独的部分，致力于阿拉伯语情感分析。
2016-08-25 cs.CL
Sentiment Classification of Customer Reviews about Automobiles in Roman Urdu
Punjab University College of Information Technology（旁遮普大学信息技术学院）；University of the Punjab（旁遮普大学）
文本挖掘是一个广泛的领域，情感挖掘是其重要组成部分，我们试图推断人们对特定物品，商品，政治，体育，社交媒体评论，评论网站等的行为。在情感挖掘，分析和分类的许多问题中，一个主要问题是评论和评论可以是不同的语言，如英语，阿拉伯语，乌尔都语等处理每一种语言根据其规则是一项艰巨的任务。在英语语言中进行了大量的情感分析和分类研究工作，但在其他区域语言（如阿拉伯语、乌尔都语和印地语）中进行了有限的情感分析工作。在本文中，怀卡托知识分析环境（WEKA）被用来作为一个平台，执行不同的分类模型的文本分类罗马乌尔都语文本。评论数据集已从不同的汽车网站废弃。这些提取的罗马乌尔都语评论，包含1000个正面和1000个负面评论，然后保存在WEKA属性关系文件格式（arff）作为标记的例子。训练是在80%的数据上完成的，其余的用于测试目的，测试是使用不同的模型完成的，并在每种情况下分析结果。结果表明，多项朴素贝叶斯分类器在准确率、精确度、召回率和F-度量方面优于Bagging、深度神经网络、决策树、随机森林、AdaBoost、k-NN和SVM分类器。
2018-12-30 cs.CL
SemEval-2023 Task 12: Sentiment Analysis for African Languages (AfriSenti-SemEval)
University of Porto（波尔图大学）；University of Cambridge（剑桥大学）；Universität Hamburg（汉堡大学）；Bahir Dar University（巴赫达尔大学）；National Research Council Canada（加拿大国家研究委员会）；Uppsala University（乌普萨拉大学）；Google Research（谷歌研究院）；Bayero University Kano（贝罗大学卡诺分校）；Ahmadu Bello University, Zaria（扎里亚艾哈迈德·贝罗大学）；University College London（伦敦大学学院）
本文介绍SemEval-2023的非洲语言情感分析共享任务AfriSenti-SemEval，涵盖14种非洲语言的三类情感分类，设三个子任务并公布各任务最佳成绩与前十系统方法。
2023-05-01 cs.CL
Corpora Preparation and Stopword List Generation for Arabic data in Social Network
本文提出了一种从在线社交网络（OSN）和评论网站上准备阿拉伯语语料库的方法，用于情感分析（SA）任务。本文还提出了一种方法，从准备语料库生成一个停用词列表。本研究旨在探讨去除停用词对联想任务的影响。问题是，之前生成的停用词列表是基于现代标准阿拉伯语（MSA）的，而MSA不是OSN中使用的通用语言。我们已经生成了一个埃及方言的停用词列表和一个基于语料库的列表，用于OSN语料库。我们比较文本分类的效率时，使用生成的列表与以前生成的MSA列表，并结合埃及方言列表与MSA列表。使用朴素贝叶斯和决策树分类器和两种特征选择方法，unigram和bigram进行文本分类。实验表明，包含埃及方言单词的通用列表比仅使用MSA停用词列表具有更好的性能。
2014-10-05 cs.CL
Why Current XAI Is Not Enough for Arabic NLP: A Critical Survey of the Explainability Gap
University of Luxembourg（卢森堡大学）；University of Alicante（阿利坎特大学）
该研究通过批判性综述指出当前阿拉伯语NLP的XAI存在方法、任务、语言学三方面差距，提出涵盖多维度的分类体系并给出基于语言学的阿拉伯语XAI研究议程。
2026-08-28 cs.CL
Data Augmentation using Transformers and Similarity Measures for Improving Arabic Text Classification
Princess Sumaya University for Technology (PSUT)（公主SUMaya技术大学（PSUT））
提出基于 AraGPT-2 的阿拉伯语文本数据增强方法，并结合多种相似度度量评估生成句，用 AraBERT 验证其在四个情感数据集上的分类增益。
2023-08-20 cs.AI cs.CL cs.LG
