SemEval-2015 Task 10: Sentiment Analysis in Twitter
Columbia University（哥伦比亚大学）；National Research Council Canada（加拿大国家研究委员会）；Qatar Computing Research Institute（卡塔尔计算研究所）；The Ohio State University（俄亥俄州立大学）；Facebook（脸书）
在本文中，我们描述了Twitter中情感分析的SemEval共享任务的2015年迭代。这是迄今为止最受欢迎的情感分析共享任务，在过去三年中，每年都有40多个团队参与。今年的共享任务竞赛由五个情绪预测子任务组成。其中两个是前几年的重播：（A）在推文背景下由短语表达的情绪，以及（B）推文的整体情绪。我们还包括三个新的子任务，要求预测（C）单个推文中对主题的情感，（D）一组推文中对主题的整体情感，以及（E）短语的优先极性程度。
2019-12-05 cs.CL cs.IR cs.LG
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
Sentiment Analysis for Twitter : Going Beyond Tweet Text
National University of Singapore（新加坡国立大学）
分析推文的情绪很重要，因为它有助于确定用户的意见。了解人们的意见对于从收集有关客户群、电子政务、竞选活动等方面的知识开始的几个目的至关重要。在这份报告中，我们的目标是开发一个系统来检测从推文的情绪。我们采用几种语言特征以及其他一些外部信息源来检测推文的情感。我们发现，增加140个字符长的推文，从推文中共享的外部URL以及社交媒体功能中获取的信息，可以显着提高情感预测的准确性。
2016-11-29 cs.CL cs.SI
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
Modeling Rich Contexts for Sentiment Classification with LSTM
Tsinghua University（清华大学）
对tweets和weibo等社交媒体数据进行情感分析已成为一项非常重要且具有挑战性的任务。由于这些数据的内在属性，推文是短的，嘈杂的，并且具有不同的主题，并且对这些数据的情感分类需要对各种上下文进行建模，例如推文的转发/回复历史，以及关于作者和关系的社会上下文。虽然之前很少有研究涉及推文中的上下文建模问题，但本文提出使用分层LSTM来建模推文中的丰富上下文，特别是长距离上下文。实验结果表明，上下文可以帮助我们更好地执行情感分类。
2016-05-05 cs.CL cs.IR cs.SI
Enhanced Twitter Sentiment Classification Using Contextual Information
MIT（麻省理工学院）
随着Twitter的普及和普及，对推文的情感分析已经成为一个重要的研究领域。然而，对推文施加的140个字符的限制使得很难使用标准的语言学方法进行情感分类。另一方面，推特缺乏结构，但它们却用庞大的数量和丰富的元数据来弥补。该元数据包括地理位置、时间和作者信息。我们假设情绪依赖于所有这些背景因素。不同的地点，不同的时代，不同的作者，有着不同的情感价值。在本文中，我们通过利用远程监督收集来自不同地点，时间和作者的数百万条标记推文来探索这一假设。我们使用这些数据来分析不同作者，时间和地点的推文情绪的变化。一旦我们探索并理解了这些变量和情绪之间的关系，我们就使用贝叶斯方法将这些变量与更标准的语言特征（如n-gram）结合起来，创建了一个Twitter情绪分类器。这种组合分类器的性能优于纯语言分类器，表明将Twitter上丰富的上下文信息整合到情感分类中是一个很有前途的研究方向。
2021-01-02 cs.AI cs.CL cs.IR
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
Tweet Sentiment Extraction using Viterbi Algorithm with Transfer Learning
PARIS CITÉ UNIVERSITY（巴黎西岱大学）
本文改进维特比算法以接收预训练参数，并引入置信度分数与向量进行内部评估和微调，从而提升推文情感抽取的可解释性与准确性。
2023-08-11 cs.AI cs.CL
L3CubeMahaSent: A Marathi Tweet-based Sentiment Analysis Dataset
Pune Institute of Computer Technology（浦那计算机技术学院）；L3Cube；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
情感分析是自然语言处理中最基本的任务之一。流行语言如英语、阿拉伯语、俄语、普通话，以及印度语如印地语、孟加拉语、泰米尔语在这方面已经做了大量的工作。然而，由于缺乏适当的数据集，印度第三大最受欢迎的语言马拉地语仍然落后。在本文中，我们提出了第一个主要的公开可用的马拉地语情感分析数据集-L3立方体MahaSent。它是使用从各种马哈拉施特拉邦人物的Twitter帐户中提取的推文策划的。我们的数据集由大约16，000条不同的推文组成，分为三大类，即积极，消极和中性。我们还提出了我们注释推文的指导方针。最后，我们使用CNN、LSTM、ULMFiT和基于BERT的深度学习模型来展示数据集的统计数据和基线分类结果。
2021-04-22 cs.CL cs.LG
Pretraining and Fine-Tuning Strategies for Sentiment Analysis of Latvian Tweets
University of Zagreb（萨格勒布大学）；Tilde（蒂尔德公司）；University of Latvia（拉脱维亚大学）
在本文中，我们提出了各种预训练策略，有助于提高情感分类任务的准确性。首先，我们使用这些策略对语言表示模型进行预训练，然后在下游任务中对其进行微调。在一个时间平衡的推文评价集上的实验结果表明了该方法的有效性。我们对拉脱维亚推文的情感分析达到了76%的准确率，这比以前的工作有了很大的改进。
2020-10-23 cs.CL
Code-Mix Sentiment Analysis on Hinglish Tweets
Indira Gandhi Delhi Technical University for Women（英迪拉·甘地德里女子技术大学）
本文提出针对Hinglish推文的高性能情感分类框架，通过微调mBERT并采用子词分词技术，提升代码混合语言的情感分析性能。
2026-01-08 cs.AI cs.CL cs.LG
Improving Twitter Sentiment Classification via Multi-Level Sentiment-Enriched Word Embeddings
Pingdingshan University（平顶山学院）
现有的大多数工作学习特定于情感的词表示来改进Twitter情感分类，在学习过程中对n-gram和远程监督的tweet情感信息进行编码。他们假设推文中的所有单词都具有与整个推文相同的情感极性，这忽略了单词本身的情感极性。为了解决这个问题，我们提出了学习特定的情感词嵌入，同时利用词典资源和远程监督信息。提出了一种多层次情感丰富的词嵌入学习方法，该方法在学习过程中使用并行非对称神经网络对n-gram、词级情感和tweet级情感进行建模。标准基准测试的实验表明，我们的方法优于国家的最先进的方法。
2016-11-01 cs.CL
NRC-Canada: Building the State-of-the-Art in Sentiment Analysis of Tweets
National Research Council Canada（加拿大国家研究委员会）
在本文中，我们描述了我们如何创建两个最先进的SVM分类器，一个用于检测消息的情感，如推文和短信（消息级任务），另一个用于检测提交中的一个术语的情感，在推文的两个任务中均为第一，在消息级任务中获得69.02的F分数，在术语级任务中获得88.93的F分数。我们实现了各种表面形式，语义和情感特征。一个是情感词标签，另一个是表情符号在消息层面的任务中，基于词汇的功能提供了5个F分数点的增益。我们的两个系统都可以通过现有资源复制。
2013-08-28 cs.CL
Sentiment Analysis of Covid-19 Tweets using Evolutionary Classification-Based LSTM Model
RCC Institute of Information Technology（RCC信息技术学院）；Maulana Abul Kalam Azad University of Technology（毛拉纳·阿布·卡拉姆·阿扎德技术大学）
随着新型冠状病毒疫情在全球各地迅速爆发，并影响数百万人的生活，多个国家宣布全面封锁，以控制疫情的严重程度。在封锁期间，社交媒体平台在全球传播有关疫情的信息方面发挥了重要作用，因为人们习惯通过社交网络表达自己的感受。考虑到这种灾难性的情况，我们开发了一种实验方法来分析人们在Twitter上的反应，直接或间接地基于这种流行病来计算流行词。本文介绍了对收集的大量关于冠状病毒或Covid-19的推文进行的情感分析。首先，我们使用进化分类和n-gram分析来分析公众对新冠肺炎疫情相关话题的情绪趋势。然后，我们根据他们的类别计算了收集到的推文的情感评分。最后，我们使用两种类型的评级推文来训练长短期网络，以预测Covid-19数据的情绪，并获得了84.46%的总体准确率。
2021-06-13 cs.CL cs.IR
Performance Comparison of Crowdworkers and NLP Tools on Named-Entity Recognition and Sentiment Analysis of Political Tweets
Boston University（波士顿大学）
我们报告了crowdworkers和七个自然语言处理（NLP）工具包在解决两个重要的NLP任务，命名实体识别（NER）和实体级情感（ELS）分析的准确性的比较结果。我们在这里关注一个具有挑战性的数据集，即2016年2月美国总统初选期间收集的1,000条政治推文。每条推文都提到了四位总统候选人中的至少一位，即，四个命名实体由政治传播专家建立的groundtruth具有推文中提到的每个候选人的实体级情感信息。我们测试了几个商业和开源工具。我们的实验表明，对于我们的政治推文数据集，最准确的NER系统Google Cloud NL的表现几乎与众包工作者不相上下，但最准确的ELS分析系统TensiStrength的准确性与众包工作者的准确性相差超过30%。
2020-08-11 cs.CL cs.LG cs.SI
AraBERT and Farasa Segmentation Based Approach For Sarcasm and Sentiment Detection in Arabic Tweets
Flipkart Private Limited（Flipkart私人有限公司）
本文介绍了我们解决EACL WANLP-2021共享任务2：讽刺和情感检测的策略。其中一个子任务旨在开发一个系统，识别给定的阿拉伯语推文是否具有讽刺性质，而另一个子任务旨在识别阿拉伯语推文的情绪。我们分两步来完成这项任务。第一步涉及通过对文本的各个部分执行插入、删除和分割操作来预处理所提供的ArSarcasm-v2数据集。第二步是对两个基于Transformer的模型AraELECTRA和AraBERT的多种变体进行试验。我们最终的方法在讽刺和情感检测子任务中分别排名第七和第四。
2021-03-02 cs.CL
Classifying Tweet Sentiment Using the Hidden State and Attention Matrix of a Fine-tuned BERTweet Model
ETH Zürich（苏黎世联邦理工学院）
本文介绍了一种推文情感分类的研究。我们的任务是将推文分类为积极或消极。我们分两步来处理这个问题，即嵌入和分类。我们的基线方法包括传统嵌入方法和分类算法的几种组合。此外，我们探讨了目前最先进的推文分析模型，BERTweet，并提出了一种新的方法，其中功能工程的隐藏状态和注意力矩阵的模型，灵感来自经验研究的推文。使用一个多层感知器训练与高辍学率的分类，我们提出的方法实现了0.9111的验证精度。
2021-09-29 cs.CL
COVID-19 Tweets Analysis through Transformer Language Models
Information Technology University（信息技术大学）
了解公众的情绪和看法，在医疗危机是必不可少的发展适当的危机管理技术。虽然一些研究在COVID-19期间使用Twitter数据进行预测建模，但尚未对这一流行病期间人们在社交媒体上的意见进行细粒度的情感分析。在这项研究中，我们对COVID-19中的推文进行了深入的细粒度情感分析。为此，我们对四个Transformer语言模型进行监督训练，用于将推文多标签分类为七个音调类的下游任务：[自信，愤怒，恐惧，喜悦，悲伤，分析，试探]。我们通过RoBERTa实现了0.9267的LRAP（标签排名平均精度）得分。这个经过训练的Transformer模型能够以高精度正确预测推文的语气。然后，我们利用这个模型来预测20万条关于COVID-19的推文的音调。然后，我们对推文的语气进行了国家层面的分析，并提取了有关这一流行病中人们心理状况的有用指标。
2021-02-27 cs.CL cs.IR cs.LG
Global Sentiment Analysis Of COVID-19 Tweets Over Time
PES University（PES大学）
冠状病毒大流行影响了正常的生活。世界各地的人们都在社交媒体上表达他们对这一风暴席卷世界的现象的看法和普遍情绪。社交网站Twitter显示，在很短的时间内，与新型冠状病毒相关的推文出现了前所未有的增长。本文介绍了冠状病毒相关推文的全球情感分析，以及不同国家的人们的情绪如何随时间发生变化。此外，为了确定冠状病毒对日常生活的影响，我们收集了与在家工作（WFH）和在线学习相关的推文，并观察了情绪随时间的变化。此外，各种机器学习模型，如长短期记忆（LSTM）和人工神经网络（ANN），实现了情感分类，并确定其准确性。还对一个数据集进行了探索性数据分析，该数据集提供了一些受影响最严重的国家每天确诊病例数的信息，以比较自此次大流行开始至2020年6月的情绪变化与病例变化。
2020-11-10 cs.CL cs.LG cs.SI
SemEval-2017 Task 4: Sentiment Analysis in Twitter
IBM Research（IBM研究院）；Columbia University（哥伦比亚大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad bin Khalifa University（哈马德·本·哈利法大学）
本文介绍了第五年的情感分析在Twitter的任务。SemEval-2017任务4继续SemEval-2016任务4的一系列子任务，其中包括识别推文的整体情绪，对一个主题的情绪，以两点和五点顺序量表进行分类，以及量化多个推文中对一个主题的情绪分布：再次以两点和五点顺序量表进行分类。与2016年相比，我们做了两个变化：（i）我们为所有子任务引入了一种新的语言，阿拉伯语，（ii）我们从发布目标推文的Twitter用户的个人资料中提供信息。这项任务仍然非常受欢迎，今年共有48支队伍参加。
2019-12-02 cs.CL cs.IR cs.LG
Atalaya at TASS 2019: Data Augmentation and Robust Embeddings for Sentiment Analysis
Universidad Nacional de Córdoba（科尔多瓦国立大学）；CONICET（阿根廷国家科学技术研究委员会）
在本文中，我们描述了我们参与TASS 2019的情况，这是一项旨在检测西班牙推文情感极性的共享任务。我们结合了不同的表示，如词袋，字符袋和推文嵌入。特别是，我们训练了鲁棒的子词感知词嵌入，并使用加权平均策略计算了推文表示。我们还使用了两种数据增强技术来处理数据稀缺性：双向翻译增强和实例交叉增强，这是一种通过组合推文的一半来生成新实例的新技术。在实验中，我们训练了线性分类器和集成模型，尽管我们的方法很简单，但仍然获得了极具竞争力的结果。
2019-09-25 cs.CL cs.LG
MeisterMorxrc at SemEval-2020 Task 9: Fine-Tune Bert and Multitask Learning for Sentiment Analysis of Code-Mixed Tweets
Tianjin University（天津大学）
自然语言处理（NLP）已经应用于包括文本分类和情感分析的各种领域。在SemEval-2020竞赛\cite{patwa2020sentimix}的一部分代码混合推文的情感分析共享任务中，我们通过替换表情符号和删除不常见字符等来预处理数据集，然后微调来自Transformers（BERT）的双向编码器表示以获得最佳性能。在用尽top3提交，我们的团队MeisterMorxrc达到平均F1得分0.730在这个任务中，和我们的codalab用户名是MeisterMorxrc.
2020-12-15 cs.CL
Improving Sentiment Analysis over non-English Tweets using Multilingual Transformers and Automatic Translation for Data-Augmentation
European Commission – DG-JRC（欧盟委员会联合研究中心）
与一般文本相比，推文是特定的文本数据。尽管在过去的十年中，对英语的tweets进行情感分析已经变得非常流行，但是仍然很难找到针对非英语语言的大型注释语料库。自然语言处理中最近兴起的Transformer模型允许在许多任务中实现无与伦比的性能，但这些模型需要相应的文本量来适应tweet域。我们建议使用多语言Transformer模型，我们对英语推文进行预训练，并使用自动翻译应用数据增强，以使模型适应非英语语言。我们在法语，西班牙语，德语和意大利语的实验表明，所提出的技术是一种有效的方法来提高结果的Transformers在非英语语言的小语料库的推文。
2020-10-07 cs.CL
#Coronavirus or #Chinesevirus?!: Understanding the negative sentiment reflected in Tweets with racist hashtags across the development of COVID-19
Nanyang Technological University（南洋理工大学）；IBM Research Australia（IBM澳大利亚研究院）
在全球爆发COVID-19的背景下，我们的研究丰富了关于社交媒体上出现的种族主义和仇外心理的讨论。通过从Twitter中提取的大数据，我们专注于分析带有种族主义标签的推文中反映的负面情绪，因为种族主义和仇外心理更有可能通过负面情绪传递。特别是，我们提出了一种基于阶段的方法，以捕捉负面情绪如何随着COVID-19的三个发展阶段而变化，在这三个阶段下，COVID-19从国内疫情转变为国际公共卫生紧急情况，后来又转变为全球大流行。在每个阶段，情感分析使我们能够识别带有种族主义标签的推文中的负面情绪，关键字提取允许发现这些推文表达负面情绪的主题。在这场人类公共健康危机下，这种基于阶段的方法使我们能够为制定针对特定阶段的干预策略提供政策建议，以更有效的方式打击社交媒体上的种族主义和仇外心理。
2020-05-17 cs.CL cs.SI
RETUYT in TASS 2017: Sentiment Analysis for Spanish Tweets using SVM and CNN
Facultad de Ingeniería（工程学院）；Universidad de la República（共和国大学）
本文介绍了基于SVM和卷积神经网络（CNN）的分类器，用于TASS 2017年关于推文情感分析的挑战。具有最佳性能的分类器通常使用SVM和CNN的组合。词嵌入的使用对于提高分类器的性能特别有用。
2017-10-17 cs.CL
Sentiment Analysis and Text Analysis of the Public Discourse on Twitter about COVID-19 and MPox
Emory University（埃默里大学）
针对现有研究未同时分析COVID-19与MPox相关推文的空白，本研究对6万余条同时涉及二者的推特开展情感与文本分析，得出情感分布、热门话题标签与高频词等结果，并验证了研究的创新性。
2023-12-17 cs.AI cs.CL cs.LG
Stance and Sentiment in Tweets
National Research Council Canada（加拿大国家研究委员会）；University of Ottawa（渥太华大学）
我们经常可以从一个人的话语中检测出他/她是赞成还是反对某个特定的目标实体-他们对目标的立场。然而，一个人可以通过使用消极或积极的语言来表达对目标的相同立场。在这里，我们第一次提出了一个数据集的鸣叫-目标对注释的立场和情绪。这些目标可能会也可能不会在推文中被提及，并且它们可能会也可能不会成为推文中的意见目标。该数据集的分区在SemEval-2016共享任务竞赛中用作训练和测试集。我们提出了一个简单的立场检测系统，优于提交的所有19个团队，参加了共享的任务。此外，访问立场和情感注释使我们能够探索几个研究问题。我们表明，虽然知道的情绪所表达的推文是有益的立场分类，它本身是不够的。最后，我们使用额外的未标记的数据，通过远程监督技术和词嵌入，以进一步提高立场分类。
2016-05-05 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
Happy or grumpy? A Machine Learning Approach to Analyze the Sentiment of Airline Passengers' Tweets
Purdue University（普渡大学）
作为最广泛的社交网络服务之一，截至2022年，Twitter拥有超过3亿活跃用户。在其众多功能中，Twitter现在是消费者分享他们对产品或体验的意见的首选平台之一，包括商业航空公司提供的航班服务。本研究旨在通过使用机器学习方法分析提及航空公司的推文的情感来测量客户满意度。相关推文从Twitter的API中检索，并通过标记化和矢量化进行处理。之后，这些处理过的向量被传递到预先训练的机器学习分类器中以预测情感。除了情感分析，我们还对收集的推文进行词法分析，以模拟关键词的频率，从而提供有意义的上下文，以促进对情感的解释。然后，我们应用时间序列方法，如布林线检测情绪数据中的异常。我们使用2022年1月至7月的历史记录，证明我们的方法能够捕捉乘客情绪的突然和重大变化。这项研究有可能被开发成一个应用程序，可以帮助航空公司，以及其他几个面向客户的企业，有效地检测客户情绪的突然变化，并采取适当的措施来应对它们。
2022-09-28 cs.CL
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
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
Classifying vaccine sentiment tweets by modelling domain-specific representation and commonsense knowledge into context-aware attentive GRU
The University of Sydney（悉尼大学）
疫苗是一项重要的公共卫生措施，但疫苗犹豫和拒绝会造成疫苗覆盖率低的群体，降低疫苗接种计划的有效性。社交媒体提供了一个机会，通过包括地理位置和详细的疫苗相关问题来估计新出现的疫苗接受风险。用于对社交媒体帖子（例如疫苗相关推文）进行分类的方法使用在一般领域文本上训练的语言模型（LM）。然而，大规模测量疫苗情绪的挑战来自于缺乏音调重音和手势提示，并且可能并不总是具有关于用户的附加信息，例如，过去的微博和社交关系LM中的另一个挑战是缺乏用户元数据中明显的常识知识，即，在这项研究中，为了对信息有限的疫苗情感推文进行分类，我们提出了一种新的端到端框架，该框架由互联组件组成，这些组件使用在疫苗相关推文上训练的特定领域LM，并将常识知识建模为具有上下文感知注意力的双向门控递归网络（CK-BiGRU）。我们进一步利用语法，用户元数据和情感信息来捕获推文的情感。我们使用两个流行的疫苗相关的Twitter数据集进行了实验，并证明我们提出的方法在识别亲疫苗，反疫苗和中性推文方面优于最先进的模型。
2021-06-17 cs.CL
Deep Learning Reveals Patterns of Diverse and Changing Sentiments Towards COVID-19 Vaccines Based on 11 Million Tweets
Northwestern University（西北大学）；Feinberg School of Medicine（范伯格医学院）；Ann & Robert H. Lurie Children's Hospital of Chicago（芝加哥安与罗伯特·H·卢里儿童医院）；Northwestern Medicine（西北医学中心）
在撰写本报告时，已接种了超过120亿剂COVID-19疫苗。然而，公众对疫苗的看法一直很复杂。我们分析了与COVID-19疫苗相关的推文，以了解人们对COVID-19疫苗的看法。我们使用最先进的模型XLNet微调了一个深度学习分类器，以自动检测每条推文的情绪。我们采用有效的方法从用户简档中提取用户的种族或民族、性别、年龄和地理位置。通过分析多个数据来源，我们评估了亚群之间的情感模式，并将其与疫苗接种数据并列，以揭示其互动模式。分析了两年内与2，203，681名用户对应的11，211，672条COVID-19疫苗相关推文。用于情感分类的微调模型在测试集上的准确率为0.92。来自不同人口群体的用户对COVID-19疫苗的情绪表现出不同的模式。随着时间的推移，用户的情绪变得更加积极，我们观察到人口水平的疫苗摄取量随后上升。在积极情绪高涨的日期周围，我们发现了有关疫苗开发和分发的令人鼓舞的消息或事件。与一般人群的趋势相比，怀孕相关推文中的积极情绪表现出延迟模式，疫苗接种趋势推迟。各亚群之间的独特模式表明需要量身定制的策略。全球新闻和事件深刻地影响了用户在社交媒体上的想法。由于缺乏及时的建议，有其他问题的人群，如怀孕，表现出更大的犹豫。特征分析显示，不同亚群的犹豫源于临床试验逻辑、风险和并发症以及科学证据的紧迫性。
2022-07-05 cs.CL cs.LG cs.SI
An Exploratory Study of Tweets about the SARS-CoV-2 Omicron Variant: Insights from Sentiment Analysis, Language Interpretation, Source Tracking, Type Classification, and Embedded URL Detection
University of Cincinnati（辛辛那提大学）
本文介绍了一项探索性研究的结果，该研究针对Twitter上不断生成的大数据，这些数据与分享有关COVID-19大流行的信息、新闻、观点、意见、想法、反馈和经验有关，特别关注Omicron变体，这是目前SARS-CoV-2的全球主要变体。共研究了12028条关于Omicron变体的推文，并分析了推文的具体特征，包括情感，语言，来源，类型和嵌入式URL。这项研究的结果是多方面的。首先，从情感分析中，观察到50.5%的推文具有中性情感。其他情绪-坏的，好的，可怕的和伟大的分别在15.6%，14.0%，12.5%和7.5%的推文中被发现。其次，语言翻译的结果显示，65.9%的推文是用英语发布的。其次是西班牙语、法语、意大利语和其他语言。第三，来源追踪的结果显示，Android版Twitter与35.2%的推文相关。紧随其后的是Twitter Web App、iPhone版Twitter、iPad版Twitter和其他来源。第四，研究推文的类型发现，转发占推文的60.8%，其次是原创推文和回复，分别占推文的19.8%和19.4%。第五，在嵌入URL分析方面，发现最常见的嵌入推文的域名是twitter.com，其次是biorxiv.org，nature.com和其他域名。最后，为了支持该领域的类似研究，我们开发了一个Twitter数据集，该数据集包含自2021年11月24日首次发现该变体病例以…
2022-07-20 cs.CL cs.LG cs.SI
Shifting Trends of COVID-19 Tweet Sentiment with Respect to Voting Preferences in the 2020 Election Year of the United States
University of Tennessee at Chattanooga（田纳西大学查塔努加分校）
2020年美国大选年期间，COVID-19相关政策被广泛政治化，导致观点两极分化。Twitter用户在2020年选举年特别活跃。在这里，我们调查了在选举日之前的一段时间内，与COVID-19相关的推文是否与州一级的整体选举结果相关。我们观察到COVID-19相关推文的平均情绪与两周内的流行投票之间存在弱相关性，并且趋势逐渐相反。然后，我们比较了支持共和党（红色州）或民主党（蓝色州）的州之间与COVID-19相关的推文的平均情绪。我们发现，在封锁开始时，蓝色州的情绪比红色州的情绪要积极得多。然而，红州的情绪在2020年夏季逐渐变得更加积极，并持续到选举日。
2022-02-15 cs.CL cs.SI
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
A hybrid transformer and attention based recurrent neural network for robust and interpretable sentiment analysis of tweets
Khulna University of Engineering & Technology (KUET)（库尔纳工程技术大学）；Advanced Machine Intelligence Research (AMIR) Lab（高级机器智能研究实验室）；American International University-Bangladesh（孟加拉国美国国际大学）；Chowagiken Corp.（Chowagiken公司）；University of Asia Pacific（亚太大学）；University of Aizu（会津大学）
针对现有情感分析模型在语言多样性、泛化性和可解释性上的不足，提出融合Transformer、注意力机制与BiLSTM的TRABSA框架，在多数据集上达94%准确率，结合SHAP和LIME提升可解释性，可助力疫情资源管理。
2024-11-02 cs.CL cs.LG
Sentiment Analysis of Arabic Tweets: Feature Engineering and A Hybrid Approach
阿拉伯语的情感分析是一项具有挑战性的任务，由于语言的丰富形态。此外，当应用于Twitter数据时，任务变得更加复杂，这些数据被认为是高度非正式和嘈杂的。在本文中，我们开发了一种混合的方法，用于情感分析阿拉伯语的推文为一个特定的阿拉伯语方言，这是沙特方言。几个功能的设计和评估使用功能向后选择方法。然后针对多种分类模型（双向、三向、四向）开发了一种结合基于语料库和基于词典的方法的混合方法。各模型的最佳F1值分别为（69.9，61.63，55.07）。
2018-05-22 cs.CL
On the Impact of Language Nuances on Sentiment Analysis with Large Language Models: Paraphrasing, Sarcasm, and Emojis
University of Michigan（密歇根大学）
本文研究表情符号与反讽等语言细微差异对大语言模型情感分析的影响，通过构建5929条标注推文数据集，发现反讽移除、通用数据训练、对抗增强和文本改写可分别将准确率提升至最高85%和6%。
2025-04-08 cs.CL cs.LG
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
Covid-19 Public Sentiment Analysis for Indian Tweets Classification
PDPM Indian Institute of Information Technology, Design and Manufacturing, Jabalpur（PDPM印度信息技术、设计与制造学院（贾巴尔普尔））
本文针对印度新冠疫情相关推文，提出提取 Twitter 数据并进行情感分析的方法，以处理高度非结构化、异质化的观点信息并判断其积极、消极或中立倾向。
2023-08-01 cs.CL cs.SI
Political Sentiment Analysis of Persian Tweets Using CNN-LSTM Model
University of Tehran（德黑兰大学）；Tarbiat Modares University（塔比亚特·莫达雷斯大学）
本文提出CNN-LSTM模型结合ParsBERT嵌入进行波斯语政治推文情感分析，在保持性能的同时减少训练时间，最高准确率达89%。
2023-08-29 cs.CL cs.IR
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
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
Cryptocurrency Price Prediction using Twitter Sentiment Analysis
PES University（PES大学）
加密货币生态系统一直是许多社交媒体平台上讨论的中心，因为它具有明显的波动性和不同的观点。Twitter正迅速被用作新闻来源和比特币讨论的媒介。我们的算法试图使用历史价格和推文的情绪来预测比特币的价格。在这项研究中，我们开发了一个端到端模型，可以预测一组推文的情绪（使用基于Transformers的神经网络模型的双向编码器表示），并使用预测的情绪和其他指标（如历史加密货币价格数据，推文量，用户的追随者以及用户是否经过验证）预测比特币的价格（使用门控递归单位）。情绪预测给出了9.45%的平均绝对百分比误差，实时数据和测试数据的平均值。价格预测的平均绝对误差为3.6%。
2023-03-03 cs.AI cs.CL cs.LG
Sentiment Analysis of Twitter Data for Predicting Stock Market Movements
Indian Institute of Technology, Bhubaneswar（布巴内斯瓦尔印度理工学院）；G.G Vishwavidyalaya, Central University（G.G大学（中央大学））
预测股票市场走势是一个众所周知的有趣问题。如今的社交媒体完美地代表了公众对当前事件的情绪和看法。特别是twitter在研究公众情绪方面吸引了众多研究者的关注。根据公众在twitter上表达的情绪来预测股市一直是一个有趣的研究领域。先前的研究已经得出结论，从Twitter收集的公众情绪很可能与道琼斯工业平均指数（DJIA）相关。这项工作的论文是观察一家公司的股票价格的变化，上涨和下跌，与公众对该公司的推文中表达的意见有多相关。情感分析的目的是从文本中理解作者的观点。本文采用Word 2 vec和N-gram两种不同的文本表示方法来分析推文中的公众情绪。在本文中，我们应用情感分析和监督机器学习原则，从twitter上提取的推文，并分析了一家公司的股票市场走势和推文中的情感之间的相关性。在一个精心设计的方式，积极的新闻和社交媒体上关于一家公司的推文肯定会鼓励人们投资该公司的股票，因此该公司的股价会上涨。文章最后指出，股票价格的涨跌与推文中的公众情绪之间存在很强的相关性。
2016-10-28 cs.CL cs.IR cs.SI
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
SenWave: A Fine-Grained Multi-Language Sentiment Analysis Dataset Sourced from COVID-19 Tweets
King Abdullah University of Science and Technology（国王阿卜杜勒·阿齐兹科技大学）；University Of Florida（佛罗里达大学）；University of Notre Dame（诺特丹大学）
针对COVID-19推文，构建了包含五种语言、十个情感类别的细粒度多语言情感分析数据集SenWave，并微调Transformer模型实现准确分类，揭示跨语言和地区的情绪演变。
2025-10-09 cs.CL
LEBANONUPRISING: a thorough study of Lebanese tweets
Lebanese International University（黎巴嫩国际大学）
最近的研究表明，人们对社交网络情感分析产生了极大的兴趣。Twitter是一个微博客服务，可以成为用户对某个话题的看法，或者他们对社会，经济甚至政治问题的看法的重要信息来源。10月17日，黎巴嫩见证了一场革命的开始;“黎巴嫩起义”的标签在推特上迅速传播开来。在10月18日至21日期间收集了由100，000条推文组成的数据集。在本文中，我们使用不同的机器学习算法，对黎巴嫩阿拉伯语口语中与黎巴嫩起义主题标签相关的推文进行了情感分析研究。对数据集进行手动注释，以测量精确度和召回率指标，并在不同算法之间进行比较。此外，本文完成的工作提供了两个贡献。第一个是建立一个黎巴嫩到现代标准阿拉伯语的映射字典，用于推文的预处理，第二个是尝试从情感分析转移到使用表情符号的情感检测，我们试图预测的两种情感是“讽刺”和“有趣”的情感。我们从2019年10月收集的推文中构建了一个训练集，然后使用该集来预测我们在2020年5月至8月期间收集的推文的情绪和情感。我们进行的分析显示了两个数据集之间的情感，情绪和用户的变化。我们获得的结果似乎令人满意，特别是考虑到据我们所知，以前没有涉及黎巴嫩阿拉伯语推文的类似工作。
2020-09-30 cs.CL cs.LG
Sentiment of Emojis
Jožef Stefan Institute（约热夫·斯特凡研究所）
新一代的表情符号被称为emojis，越来越多地用于移动通信和社交媒体。在过去的两年里，Twitter上使用了超过100亿个表情符号。汉字是Unicode图形符号，用作表达概念和想法的速记。与少数带有明确情感内容的知名表情符号相比，有数百个表情符号。但它们的情感内容是什么呢？我们提供了第一个emoji情感词典，称为Emoji情感排名，并绘制了751个最常用emoji的情感地图。表情符号的情绪是根据它们出现的推文的情绪计算的。我们聘请了83名人工注释员，按照情绪极性（消极、中立或积极）对13种欧洲语言的160多万条推文进行了标记。大约4%的注释推文包含表情符号。对表情符号的情感分析让我们得出了几个有趣的结论。事实证明，大多数表情符号都是积极的，尤其是最受欢迎的表情符号。有表情符号和没有表情符号的推文的情感分布是显着不同的。注释者对带有表情符号的推文的一致性更高。推特倾向于出现在推文的末尾，他们的情绪极性随着距离的增加而增加。我们没有观察到13种语言的表情符号排名与表情符号情感排名之间的显着差异。因此，我们提出将表情符号情感排名作为自动化情感分析的欧洲语言独立资源。最后，本文提供了一个形式化的情绪和一个新颖的可视化的形式的情绪栏。
2015-12-08 cs.CL
JUNLP@Dravidian-CodeMix-FIRE2020: Sentiment Classification of Code-Mixed Tweets using Bi-Directional RNN and Language Tags
Jadavpur University（贾达布尔大学）
情感分析在过去二十年中一直是一个活跃的研究领域，最近，随着社交媒体的出现，对社交媒体文本的情感分析的需求越来越大。由于社交媒体文本不是一种语言，并且在本质上主要是代码混合的，因此传统的情感分类模型无法产生可接受的结果。本文试图解决这一研究问题，并使用双向LSTM与语言标记，以促进情感标记的代码混合泰米尔语文本已从社交媒体中提取。在测试数据上进行评估时，所提出的算法的精确度、召回率和F1分数分别为0.59、0.66和0.58。
2020-10-20 cs.CL
Sentiment analysis model for Twitter data in Polish language
Politechnika Warszawska（华沙理工大学）；Wydział Elektroniki i Technik Informacyjnych（电子与信息技术学院）；Instytut Informatyki（计算机科学研究所）
对2015年5月10日波兰总统选举期间收集的推文进行文本挖掘分析。该项目包括实现从Twitter检索信息的引擎，构建文档语料库，语料库清理，以及创建术语文档矩阵。来自文本语料库的每条推文都根据其情感得分被分配了一个类别。分数是使用每个文档中积极和/或消极的表情符号和波兰语单词的数量计算的。结果数据集用于训练和测试四个机器学习分类器，以选择提供最准确的自动推文分类结果的分类器。朴素贝叶斯算法和最大熵算法的准确率最高，分别为71.76%和77.32%。所有的实现任务都是使用R程序设计语言完成的。
2019-11-03 cs.CL cs.IR cs.LG
Fragmented and Valuable: Following Sentiment Changes in Food Tweets
University of Latvia（拉脱维亚大学）；The University of Tokyo（东京大学）
我们分析了拉脱维亚语中食物推文所表达的与气味、味道和温度相关的情感和频率。为了更好地理解嗅觉、味觉和温度在食物联想的心理地图中的作用，我们研究了“美味”和“健康”等类别，结果发现它们是相互排斥的。通过分析与这些类别相关联的词的出现频率，我们发现，食品话语总体上被“美味”所渗透，而“健康”的类别相对较少。最后，我们使用了时间动态分析，看看我们是否可以追踪食物推文中反映的气味，味道和温度的季节性或其他时间方面。了解社交媒体内容的组成与食物推文中的气味，味道和温度的关系，使我们能够进一步发展我们的工作-食物文化/季节性及其与温度的关系，我们表达与气味相关的情感的能力有限，以及在讨论食物健康时缺乏味道的范式。
2021-06-09 cs.CL
Predicting US State-Level Agricultural Sentiment as a Measure of Food Security with Tweets from Farming Communities
Stanford University（斯坦福大学）
在相关数据可能稀少的发展中地区，获得准确的粮食安全指标的能力对于负责实施粮食援助计划的政策制定者至关重要。因此，大量的工作致力于预测重要的粮食安全指标，如使用各种方法，包括模拟，遥感，天气模型和人类专家输入的年度作物产量。作为对现有作物产量预测技术的补充，这项工作开发了神经网络模型，用于预测来自农业社区的Twitter消息的情绪。具体来说，我们研究了在农业相关推文的小数据集上进行直接学习的潜力，以及从其他领域（例如，政治）来准确预测农业情绪，我们希望这最终将成为一个有用的作物产量预测器。我们发现，从小的相关数据集直接学习优于从大的完全标记的数据集迁移学习，卷积神经网络在Twitter情感分类上广泛优于递归神经网络，并且这些模型在实际设置的三元情感问题上的表现远不如文献中常见的二元问题。
2019-04-25 cs.CL cs.LG cs.SI
