SANA : Sentiment Analysis on Newspapers comments in Algeria
University of Khenchela（肯切拉大学）；University of Constantine 2（康斯坦丁第二大学）；University of Poitiers（普瓦捷大学）
在当今生活中，从人们与正在发生的事件的互动中寻求跟踪人们的意见是非常流行的。一个非常常见的方法是在报纸和网站上发表的关于当代事件的文章中发表评论。情感分析或观点挖掘是一个新兴的领域，其目的是发现隐藏在有观点的文本背后的现象。我们通过阿尔及利亚报纸网站上的评论对我们的工作感兴趣。为此，使用了SANA和OCA两个语料库。SANA语料库是通过收集来自三家阿尔及利亚报纸的评论创建的，并由两名阿尔及利亚阿拉伯语母语者进行注释，而OCA是一个免费提供的情感分析语料库。对于分类，我们采用支持向量机，朴素贝叶斯和最灵敏的邻居。得到的结果是非常有希望的，并显示在这样的域中的不同效果的干，也knearest邻居给重要的改进相比，其他分类器不像类似的工作，其中SVM是最占主导地位的。从本研究中我们观察到报纸评论情感分析专用资源和方法的重要性，并对未来的工作进行展望。
2020-05-31 cs.CL cs.LG
Sentiment Analysis of Financial News Articles using Performance Indicators
Indian Institute of Management Ahmedabad（印度管理学院艾哈迈达巴德分校）
挖掘金融文本文件，理解个人投资者、机构和市场的情绪是一个重要而具有挑战性的问题。目前从金融文本中挖掘情感的方法主要依赖于特定领域的词典。然而，基于词典的方法往往不能准确地预测金融文本的极性。本文旨在改善国家的最先进的，并介绍了一种新的情感分析方法，采用财务和非财务绩效指标的概念。提出了一种基于关联规则挖掘的层次情感分类器模型，用于预测金融文本的积极、中性或消极的情感倾向。在基准金融数据集上对所提出的模型的性能进行了评估。该模型还与其他国家的最先进的字典和机器学习为基础的方法和结果进行了比较，发现是相当有前途的。财务情感分析中的绩效指标的新颖使用提供了有趣和有用的见解。
2018-11-25 cs.CL cs.IR cs.LG
Making sense of electrical vehicle discussions using sentiment analysis on closely related news and user comments
UC Berkeley（加州大学伯克利分校）
我们使用了一个标记明智和文档明智的情感分析，使用无监督和监督模型应用于新闻和用户评论数据集。我们的标记方面的情感分析发现两组之间的情感存在统计学上的显著差异（两者都是非常大的N），我们的文档方面的监督情感分析发现情感没有显著差异。
2022-06-19 cs.AI cs.CL
Simple Text Mining for Sentiment Analysis of Political Figure Using Naive Bayes Classifier Method
Multimedia Nusantara University（努山塔拉多媒体大学）
文本挖掘可以应用到很多领域。其中一个应用就是将文本挖掘技术应用于数字报纸的政治情感分析。本文应用情感分析从数字新闻文章中获取关于其对特定政治家的正面或负面情感的信息。本文提出了一个简单的模型来分析数字报纸情感极性使用朴素贝叶斯分类方法。该模型首先使用一组初始数据，当新信息出现时，这些数据将被更新。该模型在测试中显示出良好的效果，并可用于其他情感分析问题。
2015-08-21 cs.CL cs.IR
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
SEntFiN 1.0: Entity-Aware Sentiment Analysis for Financial News
IIM Ahmedabad（印度艾哈迈达巴德管理学院）；Aalto University（阿尔托大学）
本文针对金融新闻标题中多实体情感抽取的挑战，发布了人工标注数据集 SEntFiN 1.0，并提出基于特征的情感抽取框架，实验表明 RoBERTa 和 finBERT 取得最高 94.29% 准确率和 93.27% F1 分数，且验证了情感对市场运动的经济效应。
2023-05-20 cs.AI cs.CL cs.LG
Financial Sentiment Analysis: Leveraging Actual and Synthetic Data for Supervised Fine-tuning
University of Nevada, Reno（内华达大学雷诺分校）
针对金融情感分析标注数据稀缺、现有模型上下文利用不足的问题，提出结合真实与合成数据的方法，构建BertNSP-finance拼接长句、finbert-lc做情感判定，在financial phrasebank数据集上提升了准确率和F1分数。
2024-12-13 cs.CL cs.LG
Sentence-Level Sentiment Analysis of Financial News Using Distributed Text Representations and Multi-Instance Learning
University of Freiburg（弗莱堡大学）；University of Oxford（牛津大学）
研究人员和金融专业人士需要强大的计算机化工具，使用户能够快速操作和评估金融新闻中的语义文本内容。然而，现有的方法通常在文档级别工作，而对单个句子的实际结构和情感的更深层次的洞察仍然模糊不清。因此，投资者需要投入最大的注意力和详细的特定领域知识，以便在细粒度的基础上评估信息。为了方便这个手动过程中，本文提出了使用分布式文本表示和多实例学习的信息从文档级传输到文件级。与其他方法相比，该方法具有优越的预测性能，同时保留上下文和可解释性。我们对手动标记数据集的分析产生了高达69.90%的预测准确率，超过了替代方法至少3.80个百分点的性能。因此，这项研究不仅有利于投资者的财务决策，而且有助于公司按照预期传达信息。
2018-12-31 cs.CL cs.IR cs.LG
Quotations, Coreference Resolution, and Sentiment Annotations in Croatian News Articles: An Exploratory Study
Faculty of Humanities and Social Sciences, University of Zagreb（萨格勒布大学人文与社会科学学院）
本文提出了一个语料库注释的任务，直接语音提取在克罗地亚。本文主要对SETimes新闻语料库中克罗地亚语的引文标注、共指消解和情感标注进行研究，并分析其与英语的语言差异。由此，推导出在执行这些注释时需要特别注意的现象的列表。所生成的带有引文特征注释的语料库可以用于自然语言处理领域的多个任务。
2022-12-14 cs.CL
Sentiment Analysis in the News
University of Alicante（阿利坎特大学）；European Commission – Joint Research Centre（欧洲委员会联合研究中心）
近年来，情感分析的研究量显著增长，主要是高度主观的文本类型（电影或产品评论）。这些文本与新闻文章的主要区别在于，它们的目标是明确定义的，并且在整个文本中是唯一的。经过不同的注释工作和遇到的问题的分析，我们意识到，新闻意见挖掘是不同于其他文本类型。我们确定了需要解决的三个子任务：目标的定义;将好消息和坏消息内容与目标表达的好情绪和坏情绪分离;以及分析明确表达的明确标记的意见，不需要解释或使用世界知识。此外，我们区分了三种不同的可能的观点报纸文章-作者，读者和文本，这必须在分析情绪的时候不同的解决。鉴于这些定义，我们目前的工作挖掘意见的实体在英语新闻，其中（a）我们测试各种情感词典的相对适用性和（b）我们试图从好消息或坏消息的积极或消极的意见。在这里描述的实验中，我们测试了是否应该忽略主题领域定义词汇。结果表明，这一思想更适合于新闻观点挖掘的背景下，考虑到这一点的方法产生了更好的性能。
2013-09-24 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
Unraveling Media Perspectives: A Comprehensive Methodology Combining Large Language Models, Topic Modeling, Sentiment Analysis, and Ontology Learning to Analyse Media Bias
Institute of IT Management and Digitization Research (IFID)（信息管理与数字化研究学院）
本文提出结合层次主题建模、情感分析和大语言模型本体学习的可扩展媒体偏见分析方法，通过三个政治新闻案例验证其在多粒度识别事件选择、标签、用词及委托遗漏偏见方面的有效性。
2025-05-03 cs.AI cs.CL cs.IR
Enhancing Inflation Nowcasting with LLM: Sentiment Analysis on News
EPFL（洛桑联邦理工学院）
本文提出基于 BERT 微调的 InflaBERT，从新闻中构建月度通胀情感指数 NEWS，并将其加入克利夫兰联储自回归模型，发现疫情期间预测准确性仅边际提升。
2024-10-26 cs.CE cs.CL
Fine-Tuning Gemma-7B for Enhanced Sentiment Analysis of Financial News Headlines
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）；Snap Inc.（斯纳普公司）；Northeastern University（东北大学）；Columbia University（哥伦比亚大学）；Texas A&M University（德克萨斯农工大学）
本研究针对金融新闻头条投资者情感分析问题，基于FinancialPhraseBank数据集微调多个大语言模型，发现微调后的gemma-7b性能最优，可助力金融市场分析与投资决策。
2024-06-19 cs.AI cs.CL
RuSentNE-2023: Evaluating Entity-Oriented Sentiment Analysis on Russian News Texts
Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）
本文介绍RuSentNE-2023评测，基于RuSentNE俄语新闻语料库评估句子级命名实体情感分析，最佳系统宏F值达66%，并验证ChatGPT零样本性能可达60%，相当于第4名。
2023-05-28 cs.CL
A Unified BERT-CNN-BiLSTM Framework for Simultaneous Headline Classification and Sentiment Analysis of Bangla News
Department of CCE, International Islamic University Chittagong（国际伊斯兰大学丘拉图加冈分校计算机工程系）；Department of ICE, Noakhali Science and Technology University（诺阿克利科学与技术大学信息工程系）；Department of CSE, Banladesh University of Engineering and Technology（孟加拉工程与技术大学计算机科学与工程系）；Dept. of CSE, IIUC, Chattogram, Bangladesh（国际伊斯兰大学丘拉图加冈分校计算机科学与工程系）；School of CSE, University of Southern Mississippi（密西西比大学南方分校计算机科学学院）；Department of CSE, Netrokona University（纳特罗克纳大学计算机科学与工程系）；mPower Social Enterprise（mPower社会企业）
本文提出BERT-CNN-BiLSTM框架，用于孟加拉新闻标题的联合分类与情感分析，通过两种实验策略提升分类性能，达到新的SOTA结果。
2026-10-05 cs.AI 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
Comparing LLMs for Sentiment Analysis in Financial Market News
Universidade do Estado do Amazonas (UEA)（亚马逊州立大学）
本文比较LLM与经典方法在金融市场新闻情感分析任务中的表现，量化各类模型优势，发现LLM在绝大多数情况下优于经典模型。
2025-10-03 cs.AI cs.CL q-fin.ST
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
Fusing Audio, Textual and Visual Features for Sentiment Analysis of News Videos
Engineering and Technology Institute, University Center of Belo Horizonte (UNI-BH)（贝洛奥里藏特大学中心（UNI-BH）工程技术学院）；CEFET-MG（米纳斯吉拉斯联邦教育技术中心（CEFET-MG））；Federal University of Minas Gerais (UFMG)（米纳斯吉拉斯联邦大学（UFMG））
本文提出了一种新的方法来执行情感分析的新闻视频，基于融合的音频，文本和视觉线索提取的内容。所提出的方法的目的是有助于符号话语的研究，关于这个媒体宇宙的民族精神（身份）的建设，这已成为现代生活的数百万人的核心部分。为了实现这一目标，我们应用最先进的计算方法（1）从面部表情中自动识别情感，（2）提取参与者语音中的调制，以及（3）从与感兴趣的视频相关的隐藏字幕中进行情感分析。更具体地说，我们计算的功能，如识别的情绪，字段大小的参与者，发声概率，声音响度，语音基频和情感分数（极性）从文本句子中的封闭式字幕的视觉强度。实验结果与数据集包含520注释的新闻视频从三个巴西和一个美国流行的电视新闻节目表明，我们的方法实现了高达84%的准确性的情绪（紧张程度）分类任务，从而证明了其高潜力的媒体分析师在几个应用程序中使用，特别是在新闻领域。
2016-04-09 cs.CL
FEUP at SemEval-2017 Task 5: Predicting Sentiment Polarity and Intensity with Financial Word Embeddings
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；LIACC（人工智能与计算机科学实验室）；INESC-TEC（系统与计算机工程、技术与科学研究所）
本文介绍了波尔图大学工程学院开发的方法，参加SemEval 2017，任务5：金融微博和新闻的细粒度情感分析。该任务包括预测一个从-1.0到+1.0的实际连续变量，代表对短文本中提到的公司/股票的情绪的极性和强度。我们将任务建模为回归分析问题，并将传统技术（如预处理短文本，词袋表示和基于词汇的特征）与增强的金融特定嵌入袋相结合。我们使用了一个外部集合的推文和新闻标题，提到公司/股票从标准普尔500创建金融词嵌入，能够捕捉特定领域的句法和语义相似性。在子任务5.1 -微博和子任务5.2 -新闻标题中，所得到的余弦相似度得分分别为0.69和0.68。
2017-04-17 cs.CL cs.IR
Gated Mechanism for Attention Based Multimodal Sentiment Analysis
多模态情感分析最近越来越受欢迎，因为它与社交媒体帖子，客户服务电话和视频博客相关。在本文中，我们解决三个方面的多模态情感分析：1。跨模态交互学习，即多模态如何有助于情感，2。学习多模态交互中的长期依赖关系; 3.单模态和跨模态线索的融合。在这三个中，我们发现学习跨模态交互对这个问题是有益的。我们在两个基准数据集上进行了实验，CMU多模态意见水平情感强度（CMU-MOSI）和CMU多模态意见情感强度（CMU-MOSEI）语料库。我们在这两个任务上的方法分别产生了83.9%和81.1%的准确率，比当前最先进的方法分别提高了1.6%和1.34%。
2020-02-21 cs.CL cs.LG stat.ML
Stress index strategy enhanced with financial news sentiment analysis for the equity markets
CentraleSupélec, Paris-Saclay University（巴黎-萨克雷大学中央高等电力学院）；Ai For Alpha；Paris-Dauphine PSL（巴黎多芬大学PSL大学）
本文提出将金融压力指标与GPT-4解读彭博新闻的情绪分析相结合的风险偏好/规避策略，在多个主要股市中显著提升夏普比率并降低最大回撤。
2024-03-12 cs.AI cs.CL q-fin.RM
Understanding the Impact of News Articles on the Movement of Market Index: A Case on Nifty 50
Praxis Business School（普拉西斯商学院）
本文针对以往研究忽视新闻主题差异的问题，结合多主题新闻情感分析 Nifty 50 指数走势，证明非市场类主题情感也会显著影响指数。
2024-11-22 cs.CL cs.LG q-fin.ST
Forecasting with Economic News
Joint Research Centre, European Commission（欧盟委员会联合研究中心）；Zicklin School of Business, Baruch College（巴鲁克学院齐克林商学院）
本文的目的是评估信息内容的情绪提取新闻文章的经济状况。我们提出了一个细粒度的基于方面的情感分析，它有两个主要特点：1）我们只考虑文章中的文本，这是语义上依赖于一个术语的兴趣（方面为基础），2）分配一个情感评分的基础上，我们开发的应用程序在经济和金融（细粒度）的字典的每个单词。我们的数据集包括六家大型美国报纸，总计超过660万篇文章和42亿字。我们的研究结果表明，经济情绪的几个措施密切跟踪商业周期波动，他们是四个主要的宏观经济变量的相关预测。我们发现，当情绪与宏观经济因素一起考虑时，预测有显着改善。此外，我们还发现，情绪的重要性，以解释在几个宏观经济变量的概率分布的尾部。
2022-03-29 cs.AI cs.CE cs.CL
Twitter Sentiment Analysis
这个项目解决了twitter中的情感分析问题;也就是根据其中表达的情感对tweet进行分类：积极的，消极的或中性的。Twitter是一个在线微博和社交网络平台，允许用户编写最长140个字符的简短状态更新。这是一个迅速扩大的服务，拥有超过2亿注册用户-其中1亿是活跃用户，其中一半每天登录twitter-每天产生近2.5亿条推文。由于大量的使用，我们希望通过分析推文中表达的情绪来反映公众情绪。分析公众情绪对于许多应用都很重要，例如公司试图找出他们的产品在市场上的反应，预测政治选举和预测股票交易等社会经济现象。该项目的目的是开发一个功能分类器，用于对未知的推文流进行准确和自动的情感分类。
2015-09-14 cs.CL cs.IR cs.SI
Profiling the news spreading barriers using news headlines
Jozef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）；Jozef Stefan Institute（约瑟夫·斯特凡研究所）
提出利用 COMET 常识推理与标题情感特征识别五类新闻传播障碍，并在十类新闻标题数据集上验证其优于传统、深度学习及 transformer 方法。
2023-04-07 cs.AI cs.CL cs.LG
A Sentiment Analysis Approach to the Prediction of Market Volatility
Birkbeck, University of London（伦敦大学伯贝克学院）
未来波动率和收益的预测和量化在金融建模、投资组合优化和风险管理中起着重要作用。如今，自然语言处理允许处理新闻和社交媒体评论，以检测投资者信心的信号。我们探讨了从金融新闻和推文中提取的情绪与FTSE 100指数走势之间的关系。我们研究了特定日期的情绪指标与第二天观察到的市场波动和回报之间的相关性强度。研究结果表明，有证据表明情绪和股票市场走势之间的相关性：从新闻标题中捕捉的情绪可以作为预测市场回报的信号;同样的情况不适用于波动性。此外，在一个令人惊讶的发现中，对于Twitter评论中发现的情绪，我们获得了-0.7的相关系数，p值低于0.05，这表明在给定的一天从推文中捕获的积极情绪与第二天观察到的波动性之间存在强烈的负相关性。我们开发了一个准确的分类器，用于预测市场波动，以响应新信息的到来，通过部署主题建模，基于潜在的Dirichlet分配，从一组推文和金融新闻中提取特征向量。所获得的特征被用作分类器的附加输入。由于情感和主题建模的结合，我们的分类器实现了63%的波动方向预测准确率。
2020-12-10 cs.AI cs.CL q-fin.ST
Deep Learning for Digital Text Analytics: Sentiment Analysis
Arnekt Solutions Pvt. Ltd.（阿内克特解决方案私人有限公司）
在今天的情况下，想象一个没有负面情绪的世界是非常不现实的，因为坏消息比好消息传播得更快。虽然这在现实生活中似乎不切实际，但这可以通过使用机器学习和自然语言处理技术来构建一个系统来实现，该系统识别具有负面阴影的新闻数据，并通过仅将具有正面阴影的新闻（好消息）带给最终用户来过滤它们。在这项工作中，使用基于规则和数据驱动的方法相结合，对大约两万个数据进行了训练和测试。VADER与过滤方法一起被用作注释工具，然后是使用文档术语矩阵（表示）和支持向量机（分类）的统计机器学习方法。然后，深度学习算法开始发挥作用，使这个系统变得可靠（Doc2Vec），最终得到了卷积神经网络（CNN），它产生了比其他实验模块更好的结果。训练准确率达到96%，测试准确率（国内外新闻数据）达到85%以上。
2018-04-10 cs.CL
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto（波尔图大学）
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析，我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
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
Environmental, Social and Governance Sentiment Analysis on Slovene News: A Novel Dataset and Models
Eindhoven University of Technology（埃因霍温理工大学）；Jožef Stefan Institute（约瑟夫·斯特凡研究所）；University of Ljubljana（卢布尔雅那大学）；Queen Mary University of London（伦敦玛丽女王大学）
本文提出首个公开的斯洛文尼亚ESG情绪数据集及模型，评估了单语和多语模型、嵌入式分类器和大型语言模型在ESG情绪检测中的性能。
2026-04-08 cs.AI cs.CL
Types of Approaches, Applications and Challenges in the Development of Sentiment Analysis Systems
Technical and Vocational University (TVU)（技术与职业大学（TVU））；Iran University of Science and Technology（伊朗科技大学）
今天，网络已经成为一个强制性的平台，表达用户对各种事件的意见，情绪和感受。每个人使用他的智能手机可以给他的意见有关购买的产品，发生事故，发生新的疾病，等.在博客和社交网络，如（Twitter的，WhatsApp的，电报和Instagram的）注册.因此，每天都有数百万条评论被记录下来，它创建了大量的非结构化文本数据，可以通过使用自然语言处理方法从这种类型的数据中提取有用的知识。情感分析是自然语言处理和机器学习的重要应用之一，它允许我们分析网络用户记录的评论和其他文本信息的情感。因此，下文将解释对这一领域的看法、办法和挑战的分析。
2023-03-09 cs.CL
BAR-Analytics: A Web-based Platform for Analyzing Information Spreading Barriers in News: Comparative Analysis Across Multiple Barriers and Events
本研究推出开源网络平台BAR-Analytics，以俄乌、巴以冲突为案例，整合四类分析方法处理超35万篇文章，揭示两类冲突报道的情感与主题差异及影响因素。
2025-03-31 cs.CL
Public Sentiment Toward Solar Energy: Opinion Mining of Twitter Using a Transformer-Based Language Model
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Colorado Denver（科罗拉多大学丹佛分校）
公众对可再生能源的接受和支持是可再生能源政策和市场条件的重要决定因素。本文使用Twitter的数据研究了美国公众对太阳能的看法，Twitter是一个微博平台，人们在其中发布消息，称为推文。我们过滤了特定于太阳能的推文，并使用来自Transformers的鲁棒优化的双向编码器表示（RobERTa）执行分类任务。分析2020年1月底至7月初期间的71，262条推文，我们发现各州的公众情绪差异很大。在研究期间，美国东北部地区对太阳能的态度比美国南部地区更积极。太阳辐射与各州太阳情绪的变化无关。我们还发现，公众对太阳能的看法与可再生能源政策和市场条件相关，具体而言，可再生能源组合标准（RPS）目标，客户友好的净计量政策和成熟的太阳能市场。
2020-07-27 cs.CL cs.CY
Sentiment Analysis : A Literature Survey
Indian Institute of Technology, Bombay（印度理工学院孟买分校）
我们的日常生活总是受到人们想法的影响。别人的想法和意见总是会影响我们自己的意见。Web 2.0的爆炸式增长导致了播客、博客、标签、RSS贡献、社会书签和社交网络的活动增加。因此，人们对挖掘这些庞大的数据资源以获得意见的兴趣爆发了。情感分析或意见挖掘是对文本的意见、情感和主观性的计算处理。在这份报告中，我们来看看情感分析的各种挑战和应用。我们将详细讨论各种方法来执行情感和意见的计算处理。各种监督或数据驱动的技术，如天真的Byes，最大熵，SVM和投票感知器SA将被讨论，他们的优点和缺点将被触及。我们还将看到认知心理学分析情感的新维度，主要是通过Janyce Wiebe的工作，在那里我们将看到如何检测主观性，叙事中的视角和理解话语结构。我们也会研究情感分析中的一些特定主题和这些领域的当代作品。
2013-04-16 cs.CL
Sentiment Analysis for Roman Urdu Text over Social Media, a Comparative Study
The University of Lahore（拉合尔大学）
在本世纪，数据量正在急剧增加。数据可以是图像、文本、语音和视频的形式。数据的巨大增长的一个因素是社交媒体的使用，每个人每天都在聊天，交换信息以及上传个人和官方证书时发布数据。情感研究旨在揭示已发布文本中的抽象知识，用户在其中交流他们对共享内容的情感和想法，包括博客，新闻和社交网络。罗马乌尔都语是巴基斯坦和印度社交网络上最主要的语言之一。罗马乌尔都语是世界上第三大乌尔都语的变体之一，但在这种语言中还没有足够的工作。在这篇文章中，我们解决了以前的概念和策略，用于检查的情绪的罗马乌尔都语文本，并报告他们的结果。
2020-10-05 cs.CL
Gender stereotypes in the mediated personalization of politics: Empirical evidence from a lexical, syntactic and sentiment analysis
媒体对名人和重要人物的个人领域的关注已成为性别叙事的一个关键因素。在这里，我们结合词汇，句法和情感分析，调查性别在2017年至2020年期间在意大利的广泛的政治职位持有人的个性化的作用。的分数的基础上，介绍了占代表性和新闻报道的性别不平衡的话，我们表明，在意大利的政治个性化是更有害的妇女比男性，与根深蒂固的陈规定型观念，包括男性内涵的领导，由此产生的妇女不适合举行政治职能，并更多地关注他们的吸引力和身体部位。此外，在报告个人细节时，女政治家比男政治家更容易受到负面影响。此外，对观察到的性别差异的主要贡献来自在线新闻，而不是印刷新闻，这表明当点击诱饵和个人目标产生重大影响时，某些陈规定型观念的表达可能会更好地传达。
2022-04-13 cs.CL cs.SI
Backtesting Sentiment Signals for Trading: Evaluating the Viability of Alpha Generation from Sentiment Analysis
Lab（实验室）
本文通过回测三种情绪模型对道琼斯 30 股票新闻的策略，发现回归模型 28 个月收益达 50.63%，优于 Buy&Hold 基准，证明情绪分析可生成正 Alpha。
2025-07-04 cs.AI cs.CL
Multimodal Analysis of State-Funded News Coverage of the Israel-Hamas War on YouTube Shorts
本文提出一个多模态管道，结合自动转录、基于方面的情感分析和语义场景分类，分析国家资助机构对以色列-哈马斯战争的短视频报道，发现不同来源和时间的情感表达差异及视觉线索的一致性。
2026-04-01 cs.AI cs.CL cs.SI
Machine Learning Sentiment Prediction based on Hybrid Document Representation
TEI of Thessaloniki（塞萨洛尼基技术教育学院）；mSensis S.A.（mSensis股份公司）
自动情感分析和意见挖掘是一个复杂的过程，涉及到从文本中提取有用的主观信息。Web上用户生成内容的爆炸式增长，特别是每天有数百万用户在博客、维基、社交网络、留言板等上表达他们对产品和服务的意见，使得从非结构化文本中可靠地自动导出情感和观点对于一些商业应用至关重要。在本文中，我们提出了一种新的混合矢量化方法的文本资源，结合了一个加权的变体流行的Word 2 Vec表示（基于词频-逆文档频率）表示和袋的词表示和基于词汇的情感值的向量。建议的文本表示方法进行评估，通过应用几个机器学习分类算法的数据集，广泛用于文献中的情感检测。通过所提出的混合矢量化方法得到的分类精度高于当其单独的组件用于文本表示时，并且与最先进的情感检测方法相当。
2015-11-29 cs.AI cs.CL stat.ML
Suspicious News Detection Using Micro Blog Text
Tohoku University（东北大学）；RIKEN（理化学研究所）；SmartNews, Inc.（SmartNews公司）；FactCheck Initiative Japan（日本事实核查倡议）；Hi-Ether Japan（日本Hi-Ether公司）
本文提出了一个新的任务--基于微博文本的可疑新闻检测。该任务旨在支持人类专家检测待验证的可疑新闻文章，这是昂贵的，但在验证文章的真实性之前是至关重要的一步。具体地说，在这个任务中，给定一组SNS上的帖子，引用一篇新闻文章，目标是判断该文章是否需要验证。对于这项任务，我们创建了一个公开可用的数据集在日本，并提供基准测试结果，通过使用几个基本的机器学习技术。实验结果表明，我们的模型可以减少人工事实检查过程的成本。
2018-10-27 cs.CL
Live Blog Corpus for Summarization
Research Training Group AIPHES；UKP Lab Computer Science Department, Technische Universit \"a t Darmstadt www.aiphes.tu-darmstadt.de, www.ukp.tu-darmstadt.de
实时博客是一种越来越受欢迎的新闻格式，用于报道在线新闻中的突发新闻和现场事件。世界各地的在线新闻网站都在使用这种媒体，为读者提供有关事件的每分钟更新。好的摘要可以提高读者对实时博客的价值，但通常无法获得。在本文中，我们研究了一种收集语料库的自动实时博客摘要的方法。在使用著名的国家的最先进的摘要系统的实证评估，我们发现，生活博客语料库提出了新的挑战，在该领域的摘要。我们公开我们的工具来重建语料库，以鼓励研究社区和复制我们的结果。
2018-02-27 cs.CL
Sentimental Content Analysis and Knowledge Extraction from News Articles
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）
在网络时代，由于技术的进步，人类的生活发生了革命性的变化，每天都有大量的数据和信息发布在互联网上。例如，新闻机构在世界各地的网站上发布新闻。这些原始数据可能是知识提取的重要资源。这些共享数据包含情感（即，积极的、中性的或消极的）;因此，情感内容提取在许多方面可以是有益的任务。提取新闻的情感说明了在一段时间内关于事件的非常有价值的信息，媒体或新闻机构对这些事件的观点。在本文中，试图提出一种方法，新闻分析，并从中提取有用的知识。首先，我们尝试提取新闻文档的噪声鲁棒情感;因此，下载与六个国家相关的新闻：美国，英国，德国，加拿大，法国和澳大利亚，5个不同的新闻类别：政治，体育，商业，娱乐和技术。本文在提取新闻文本中的情感内容的基础上，对不同国家在每5个新闻主题中的情况进行了比较。此外，我们提出了一种方法，以减少庞大的新闻数据，提取最热门的话题和新闻标题作为知识。最后，我们生成一个词模型，通过Word 2 Vec将每个词映射到一个固定大小的向量，以了解我们收集的新闻数据库中的词之间的关系。
2018-08-09 cs.CL cs.IR
Entity-Specific Sentiment Classification of Yahoo News Comments
Yahoo Labs（雅虎实验室）；University of North Texas（北德克萨斯大学）
情感分类广泛用于产品评论和在线社交媒体，如论坛，Twitter和博客。然而，对新闻网站上用户评论的情感进行分类的问题尚未得到解决。新闻网站涵盖了广泛的领域，包括政治，体育，技术和娱乐，而其他在线社交网站，如论坛和评论网站，这是特定于一个特定的领域。与新闻站点相关联的用户可能对不同的主题（例如，政治、智能手机和体育）或不同的实体（例如，奥巴马、iPhone或谷歌）。对与各种实体相关联的用户的情感进行分类可以帮助获得他们个性的整体视图，这在诸如在线广告、内容个性化和政治竞选规划等应用中可能是有用的。在本文中，我们制定的问题，在雅虎新闻的新闻文章发表评论的实体特定的情感分类，并提出新的功能，是特定的新闻评论。实验结果表明，我们的模型优于最先进的基线。
2015-06-11 cs.CL cs.IR cs.SI
Who Blames or Endorses Whom? Entity-to-Entity Directed Sentiment Extraction in News Text
Soongsil University（崇实大学）；UCLA（加州大学洛杉矶分校）
理解新闻文本中谁在指责谁或支持谁是计算社会科学的一个重要研究问题。然而，用于情感分析的传统方法和数据集不适合政治文本领域，因为它们不考虑实体之间表达的情感的方向。在本文中，我们提出了一种新的NLP任务，从给定的新闻文档中识别政治实体之间的定向情感关系，我们称之为定向情感提取。从一个百万级的新闻语料库中，我们构建了一个数据集的新闻句子中的情感关系的政治实体手动注释。我们提出了一种简单但有效的方法来利用预训练的Transformer，它通过预测多个问答任务并结合结果来推断目标类。我们通过分析2016年美国总统大选和COVID-19这两个重大事件中政治实体之间的正面和负面意见，展示了我们提出的方法在社会科学研究问题中的实用性。新提出的问题，数据和方法将促进跨学科的NLP方法和应用的未来研究。
2021-06-22 cs.CL cs.CY cs.IR
Towards Target-dependent Sentiment Classification in News Articles
University of Konstanz（康斯坦茨大学）；Heidelberg Academy of Sciences and Humanities（海德堡科学院与人文学院）；University of Zurich（苏黎世大学）；University of Wuppertal（伍珀塔尔大学）
对目标依赖情感分类（TSC）的广泛研究已经在作者倾向于明确表达对特定实体或主题的情感的领域（例如评论或社交媒体）中产生了强大的分类性能。我们调查TSC在新闻文章，一个少得多的研究领域，尽管新闻作为一个重要的信息源在个人和社会决策的重要性。本文介绍了NewsTSC，这是一个手动注释的数据集，用于探索新闻文章的TSC。调查的情绪在新闻中的特点，并将其与流行的TSC域进行对比，我们发现，在新闻中的情绪表达不太明确，更依赖于上下文和读者群，并需要更大程度的解释。在一项广泛的评估中，我们发现TSC的最新技术在新闻文章上的表现比其他领域更差（NewsTSC的平均召回率AvgRec = 69.8，而在已建立的TSC数据集上的平均召回率AvgRev = [75.6，82.2]）。其原因主要包括对目标语与情感短语关系的错误处理和对语境外的依赖。作为对以前的新闻TSC的一个重大改进，我们发现，BERT的自然语言理解能力捕捉新闻文章中使用的不太明确的情绪。
2021-05-20 cs.CL cs.CY
Robust Fake News Detection using Large Language Models under Adversarial Sentiment Attacks
TIB – Leibniz Information Centre for Science；TIB -- Leibniz Information Centre for Science；Marburg University \& Hessian Center for Artificial Intelligence (hessian.AI) Marburg/Darmstadt；\ TIB \& L3S Research Center Hannover Germany
本文提出AdSent框架，通过可控情感对抗攻击和情感无关训练策略，提升虚假新闻检测在对抗性情感攻击下的鲁棒性。
2026-01-21 cs.CL
Financial Sentiment Analysis on News and Reports Using Large Language Models and FinBERT
Zhejiang University（浙江大学）；Lehigh University（理海大学）
本文比较了LLMs与FinBERT在金融情感分析中的表现，发现结合少样本提示工程的GPT-4o可达到与微调FinBERT相当的水平。
2024-10-02 cs.CL cs.IR cs.SI
Deciphering Political Entity Sentiment in News with Large Language Models: Zero-Shot and Few-Shot Strategies
IIT Kharagpur（印度理工学院卡拉格普尔分校）
本文评估 LLM 用零样本、少样本及 COT 提示识别政治新闻中实体情感的效果，证明其优于微调 BERT，并分析上下文学习与自洽机制的作用。
2024-04-05 cs.CL
CroSentiNews 2.0: A Sentence-Level News Sentiment Corpus
University of Zagreb（萨格勒布大学）；Faculty of Humanities and Social Sciences（人文与社会科学学院）
本文构建了CroSentiNews 2.0，一个包含14.5K条句子级标注的克罗地亚新闻情感数据集，并提供了基线分数和标注者间一致性评估。
2023-05-14 cs.CL
S-APIR: News-based Business Sentiment Index
Konan University（甲南大学）；Asia Pacific Institute of Research（亚太研究所）；Osaka Sangyo University（大阪产业大学）
本文介绍了我们利用每日报纸文章开发新的商业景气指数的工作。我们采用一个带有门控递归单元的递归神经网络（RNN）来预测给定文本的商业情绪。RNN最初在经济观察者调查上进行训练，然后在新闻文本上进行微调以适应领域自适应。此外，一类支持向量机被应用于过滤被认为与商业情绪无关的文本。此外，我们提出了一个简单的方法来分析有多少时间和任何给定的因素影响预测的商业情绪。通过对2013年至2018年出版的日经新闻文章进行的一系列实验，实证证明了所提出方法的有效性和实用性。
2020-03-06 cs.CL cs.CY cs.SI
Estimation of Inter-Sentiment Correlations Employing Deep Neural Network Models
Tsinghua University（清华大学）；Rutgers University（罗格斯大学）；Carnegie Mellon University（卡内基梅隆大学）；People’s Public Security University（人民公安大学）
本文主要研究Web事件的情感挖掘和情感相关性分析。虽然神经网络模型在文本信息挖掘方面做出了很大的贡献，但人们对情感相关性的分析却很少。本文填补了情感计算和情感间相关性之间的空白。本文将社会情感分为六类：爱、喜、怒、悲、恐、惊。提出了两种用于情感计算的深度神经网络模型。三个数据集-标题，身体，新闻文章的评论-收集，涵盖了不同长度（长和短）的客观和主观文本。从每个数据集中，提取三种特征：显式表达式，隐式表达式和字母字符。分析了这两种模型在三种特征下的性能。对愤怒和爱的解释存在争议。在主观文本中，其他情绪很容易被认为是愤怒。相比之下，在客观的新闻体和标题中，很容易将文本视为引起的爱。这意味着，记者可能想通过写新闻来引起情感上的爱，但在新闻发表后却引起了愤怒。这个结果反映了情绪的复杂性和不可预测性。
2018-11-24 cs.CL cs.LG
Analyzing Sentiment Polarity Reduction in News Presentation through Contextual Perturbation and Large Language Models
IIT Kharagpur（印度理工学院卡哈拉格普尔分校）
本文提出通过对抗攻击式扰动和基于ChatGPT的提示方法，结合束搜索算法降低新闻文本情感极性，实验证明该方法在保持文本质量的同时有效减少情感偏见，促进客观报道。
2024-02-03 cs.CL
