Detection and Prediction of Users Attitude Based on Real-Time and Batch Sentiment Analysis of Facebook Comments
Volgograd State Technical Univeristy, Computer Aided Design Department, Lenin avenue 28, 400005 Volgograd, Russia
大多数人在社交网络(例如Facebook,Vkontakte)上有自己的账户,他们在那里表达自己对不同情况和事件的态度。Facebook只提供正面的标记作为喜欢按钮和分享。然而,重要的是要知道某个用户对帖子的立场,即使意见是负面的。从用户的评论中可以提取出积极、消极和中立的态度。关于积极,消极和中立意见的总体信息可以了解人们在某一位置的反应。此外,重要的是要知道在这段时间内态度如何变化。本文的贡献是一种新的方法,基于情感文本分析检测和预测负面和积极的模式,Facebook的评论,结合(i)实时的【形】情感文本分析模式发现和(ii)批量数据处理创建意见预测算法。为了进行预测,我们提出了两步算法,其中:(i)使用无监督聚类技术对模式进行聚类,以及(ii)基于从某个聚类中找到最近的模式进行趋势预测。案例研究表明,效率和准确性(平均。MAE = 0.008),并验证了该方法的实用性。此外,我们发现了三种类型的用户的态度模式,并描述他们。
2019-06-08 cs.CL cs.IR cs.SI
The Power of Language: Understanding Sentiment Towards the Climate Emergency using Twitter Data
City, University of London(伦敦城市大学)
了解对气候紧急情况的态度如何变化,可以成为推动政策变化的关键,以采取有效行动减轻气候相关风险。石油和天然气行业占全球排放量的很大一部分,因此可以推测原油期货和对气候紧急情况的情绪之间存在关系。在定制的Twitter数据集上使用潜在Dirichlet分配进行主题建模,这项研究表明,围绕气候紧急情况的对话可以分为3个不同的主题。利用季节性自回归移动平均模型预测原油期货,训练数据和测试数据的均方根误差分别为0.196和0.209。了解对气候紧急情况的态度变化提供了不确定的结果,可以使用时空分析方法,如基于密度的聚类(DBSCAN)。
2021-01-25 cs.CL
Using Sentiment Induction to Understand Variation in Gendered Online Communities
Stanford University(斯坦福大学)
我们分析了以三种不同方式定义的性别社区:文本,用户和情感。这些表征的差异揭示了社区独特身份的各个方面,如社会群体、主题和态度。两个社区可能有很高的文本相似性,但没有用户相似性,反之亦然,单词的使用也不会根据性别的明确的二元视角而变化。特定于社区的情感词典表明,情感可以是词语的社会意义和社区价值的有用指标,特别是在讨论内容和用户人口统计的背景下。我们的研究结果表明,Reddit等社交平台是不同性别结构的活跃设置。
2018-11-16 cs.CL
Exploring celebrity influence on public attitude towards the COVID-19 pandemic: social media shared sentiment analysis
COVID-19疫情为健康传播带来新机遇,包括公众使用线上渠道表达健康相关情绪的增加。人们纷纷转向社交媒体网络分享与COVID-19疫情影响相关的情绪。在本文中,我们研究的作用,社会信息共享的人在公众眼中(即运动员,政治家,新闻人员),在确定整体公共话语方向。我们于二零二零年一月一日至二零二二年三月一日期间收集了约13,000,000条推文。使用微调的DistilRoBERTA模型计算每条推文的情绪,该模型用于比较与“公众眼中的人”同时出现的COVID-19疫苗相关推文(推文)。我们的研究结果表明,在2019冠状病毒病大流行的头两年,公众眼中的人物分享的信息中同时出现的情感内容的一致模式影响了公众舆论,并在很大程度上刺激了在线公共话语。我们证明,随着疫情的发展,公众在社交网络上的情绪受到公众眼中的人所共有的风险认知、政治意识形态和健康保护行为的影响,通常是负面的。
2023-02-23 cs.CL cs.IR cs.LG
Deep Memory Networks for Attitude Identification
University of Michigan(密歇根大学)
我们认为,从文本中识别对给定实体集的态度的任务。通常,该任务被分解为两个单独的子任务:目标检测,其识别文本中是否明确或隐含地提到了每个实体;以及极性分类,其将对所识别的实体(目标)的确切情感分类为积极的、消极的或中性的。相反,我们表明,态度识别可以解决一个端到端的机器学习架构,其中两个子任务交织的深度记忆网络。通过这种方式,在目标检测中产生的信号为极性分类提供线索,并且预测的极性为目标的识别提供反馈。此外,对一组目标的处理也会相互影响--学习的表示可能对某些目标共享相同的语义,但对其他目标则不同。所提出的深度记忆网络AttNet优于不考虑子任务之间或目标之间的交互的方法,包括传统的机器学习方法和最先进的深度学习模型。
2017-01-16 cs.CL
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
Sentiment-Aware Measure (SAM) for Evaluating Sentiment Transfer by Machine Translation Systems
University of Wolverhampton(伍尔弗汉普顿大学);University of Surrey(萨里大学);De Montfort University(德蒙福特大学)
在翻译以情感为主要信息的文本时,人类翻译者特别关注承载情感的词语。这是因为,如果对这些词的翻译不正确,就会错过原文的基本方面,即作者的感情。在网络世界中,机器翻译系统被广泛用于翻译用户生成内容(UGC),如评论,推文和社交媒体帖子,其中主要信息通常是作者对文本主题的积极或消极态度。在这种情况下,重要的是准确测量MT系统在传递正确的情感信息方面可以在多大程度上成为可靠的现实生活实用程序。本文解决了机器翻译评价领域中一个认识不足的问题,即判断自动度量在多大程度上与人类评价的黄金标准一致,以正确翻译情感。我们评估了传统的质量指标在发现情感的误译方面的有效性,特别是当它是MT输出中的唯一错误时。我们提出了一个数字的“情感贴近度”的措施,适当的评估的准确性,翻译的影响信息在UGC文本的MT系统。我们将证明,将这种情感感知措施可以显着提高一些可用的质量指标与人类判断的情感的准确翻译的相关性。
2021-10-05 cs.CL
Identifying Morality Frames in Political Tweets using Relational Learning
Purdue University(普渡大学)
从文本中提取道德情感是理解公众舆论,社会运动和政策决定的重要组成部分。道德基础理论确定了五种道德基础,每一种都与积极和消极的极性相关联。然而,道德情感往往是由它的目标,这可以对应于个人或集体实体。在本文中,我们介绍了道德框架,一个代表性的框架,用于组织针对不同实体的道德态度,并提出了一个新的和高质量的注释数据集的推文写的美国政客。然后,我们提出了一个关系学习模型来预测对实体和道德基础的道德态度。我们做了定性和定量的评估,表明对实体的道德情感在不同的政治意识形态中有很大的差异。
2021-09-09 cs.AI cs.CL cs.CY
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
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 Semi-supervised Approach for a Better Translation of Sentiment in Dialectical Arabic UGT
University of Surrey(萨里大学);University of Wolverhampton(伍尔弗汉普顿大学);De Montfort University(德蒙福特大学)
针对方言阿拉伯语UGT到英语翻译中情感极性易反转且平行数据稀缺的问题,提出结合单语与平行数据、由跨语言语言模型初始化NMT的半监督方法,并以情感接近度和人工评估验证其纠错效果。
2023-06-08 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
Semi-Unsupervised Lifelong Learning for Sentiment Classification: Less Manual Data Annotation and More Self-Studying
Research Institute of Big Data Analytics, Xi’an Jiaotong-Liverpool University(西交利物浦大学大数据分析研究院);The University of Liverpool(利物浦大学)
终身机器学习是一种新型的机器学习范式,它可以在学习过程中不断积累知识。知识的提取和重用能力使终身机器学习能够解决相关问题。传统的方法,如朴素贝叶斯和一些基于神经网络的方法,只旨在实现最佳性能的单一任务。与之不同的是,本文中的终身机器学习关注的是如何在学习过程中积累知识,并将其用于进一步的任务。同时,随着知识的重用,训练对标记数据的需求也大大减少。本文认为终身学习的目标是使用较少的标记数据和计算成本,以达到与监督学习一样甚至更好的性能。
2019-05-30 cs.AI 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
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
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 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
VaxxHesitancy: A Dataset for Studying Hesitancy towards COVID-19 Vaccination on Twitter
The University of Sheffield(谢菲尔德大学)
本文构建了包含 3,101 条推文的 VaxxHesitancy 数据集,用于研究 Twitter 上对 COVID-19 疫苗的犹豫态度,并提出领域语言模型 VaxxBERT,首次将疫苗犹豫建模为独立于支持和反对立场的类别。
2023-04-15 cs.CL
BLUE at Memotion 2.0 2022: You have my Image, my Text and my Transformer
Interdisciplinary School of Doctoral Studies, University of Bucharest(布加勒斯特大学跨学科博士研究学院);Faculty of Automatics and Control, University Politehnica of Bucharest(布加勒斯特理工大学自动化与控制学院);University of Bucharest(布加勒斯特大学)
模因在互联网上很流行,并随着我们的文化不断发展和演变。对网络传播模因的自动理解可以揭示人们的普遍情感和文化态度。在这项工作中,我们提出了团队蓝色的解决方案的第二版的记忆共享任务。我们展示了两种方法的模因分类(即情绪,幽默,进攻,讽刺和动机水平)使用纯文本的方法,使用BERT,和一个多模态多任务Transformer网络上的模因图像和它的标题输出的最终分数。在这两种方法中,我们利用最先进的预训练模型进行文本(BERT,Sentence Transformer)和图像处理(EfficientNetV4,CLIP)。通过我们的努力,我们在任务A中获得第一名,在任务B中获得第二名,在任务C中获得第三名。此外,我们的团队在所有三项任务中获得了最高的平均分。
2022-04-04 cs.CL
Can LLMs Follow the Pulse of a Crisis? Evaluating Crisis Sentiment in Bangladesh's July Uprising
North South University(南北大学);Charles Sturt University(查尔斯特大学)
本文构建了孟加拉语危机情绪数据集 UNRESTSENT200K,包含约20万条起义期间评论,并评估多种模型,发现父帖上下文提升性能而时间偏移导致性能下降,为低资源危机情绪分析提供基准。
2026-09-16 cs.CL
Utilizing distilBert transformer model for sentiment classification of COVID-19's Persian open-text responses
COVID-19疫情在人类生活的各个方面都造成了巨大的变化。政府在这方面的法律影响到所有人的生活方式。由于这一事实,研究个人的情绪对于了解即将到来的流行病的未来影响至关重要。为了实现这一目标,我们提出了一个NLP(自然语言处理)模型来分析波斯语调查中的开放文本答案,并检测伊朗人民的积极和消极情绪。在这项研究中,一个蒸馏伯特Transformer模型被应用到承担这项任务。我们部署了三种方法来进行比较,我们最好的模型可以获得准确率:0.824,精度:0.824,召回率:0.798,F1得分:0.804。
2022-12-16 cs.CL cs.CY
SpeechSense: A Paralinguistic-Focused Dataset for Fine-Grained Speech Sentiment Analysis
The Chinese University of Hong Kong(香港中文大学)
本文针对现有语音情感分析研究的两大局限,构建了副语言聚焦的细粒度语音情感分析数据集SpeechSense,实验证实具备声学信息的模型性能优于纯文本基线,凸显了声学线索的重要性。
2026-08-19 cs.CL cs.MM cs.SD
BERT-Deep CNN: State-of-the-Art for Sentiment Analysis of COVID-19 Tweets
University of Birjand(比尔詹德大学);Dibrugarh University(迪布鲁加尔大学);Fasa University(法萨大学);Ferdowsi University of Mashhad(马什菲尔德大学);Deakin University(迪肯大学);Shahid Beheshti University(沙希德·贝赫什提大学);Khulna University(库尔纳大学)
本文提出结合BERT与Deep CNN分析COVID-19推文情感,借助NLP和机器学习识别社会情绪趋势,并通过相关研究对比表明BERT优于其他深度模型。
2023-03-10 cs.CL cs.SI
Studying the role of named entities for content preservation in text style transfer
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Mobile TeleSystems (MTS)(移动电信系统公司(MTS))
文本风格转换技术在自然语言处理中越来越受欢迎,找到了各种应用,如文本解毒,情感或形式转换。然而,大多数现有的方法都是在公共平台上的在线通信,音乐或娱乐等领域进行测试的,但没有一种方法适用于面向任务的生产系统的典型领域,如个人计划安排(例如预订航班或在餐厅预订餐桌)。我们填补了这一空白,研究正式转移在这一领域。我们注意到,该领域的文本中充满了命名实体,这对于保持文本的原始意义非常重要。事实上,例如,如果有人告知航班的目的地城市,则不得更改。因此,我们专注于命名实体的正式文本风格转移的内容保存中的作用。我们收集了一个新的数据集,用于评估文本样式传输中的内容相似性度量。它取自面向任务的对话语料库,包含许多与现实请求相关的重要实体,这使得该数据集对于在生产中使用之前测试风格转换模型特别有用。此外,我们对预训练的正式传输模型进行了错误分析,并引入了一种简单的技术来使用有关命名实体的信息来增强文本样式传输中使用的基线内容相似性度量的性能。
2022-06-20 cs.CL