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
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
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
What Sentiment and Fun Facts We Learnt Before FIFA World Cup Qatar 2022 Using Twitter and AI
Hamad Bin Khalifa University(哈马德·本·哈利法大学);HKUST(香港科技大学)
本文提出了一种基于机器学习和Vader算法的情感分析解决方案,通过收集至少13万条与2022年卡塔尔世界杯相关的Twitter推文,揭示了世界杯开幕前公众的积极情感和相关趣闻。
2023-06-28 cs.CL cs.SI
How Will Your Tweet Be Received? Predicting the Sentiment Polarity of Tweet Replies
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Harvard Medical School(哈佛医学院);Sharif University of Technology(谢里夫理工大学)
Twitter情感分析通常侧重于预测推文的极性,在过去几年中引起了越来越多的关注,特别是随着深度学习(DL)的兴起。在本文中,我们提出了一个新的任务:预测(一阶)回复到一个给定的鸣叫之间的主要情绪。因此,我们创建了RETWEET,这是一个用情感标签手动注释的推文和回复的大型数据集。作为一个强有力的基线,我们提出了一个两阶段的DL为基础的方法:首先,我们创建自动标记的训练数据应用标准的情感分类器,以推文回复和聚合其预测为每个原始推文;我们的理由是,由分类器的个别错误很可能会抵消在聚合步骤。其次,我们使用自动标记的数据进行神经网络的监督训练,以预测来自原始推文的回复情绪。在新的RETWEET数据集上对所得分类器进行评估,显示出有希望的结果,特别是考虑到它是在没有任何手动标记数据的情况下训练的。数据集和基线实施都是公开的。
2021-04-21 cs.CL 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
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
The emojification of sentiment on social media: Collection and analysis of a longitudinal Twitter sentiment dataset
Queen Mary University of London(伦敦玛丽女王大学)
针对社交媒体情感纵向研究的空白,构建了含1.84亿条推文、跨度超七年的TM-Senti远程监督情感数据集,分析发现emoji使用量逐渐超过emoticon,且数据集可基于公开存档完整还原。
2025-03-24 cs.CL cs.DL 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
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
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
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
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
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
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
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
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
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
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
Tripartite Graph Clustering for Dynamic Sentiment Analysis on Social Media
The Chinese University of Hong Kong(香港中文大学)
社交媒体(例如Twitter)的日益普及允许用户轻松地彼此分享信息,并通过表达自己对各种主题的看法来影响他人。在这项工作中,我们提出了一个无监督的\emph{tri-clustering}框架,分析用户级和推文级的情感,通过共同聚类的三方图。该框架的一个引人注目的特点是,推文,用户和功能的情感聚类的质量可以通过联合聚类相互提高。我们进一步研究在线框架中用户级情感和潜在特征向量的演变,并设计一种高效的在线算法,用新到达的数据顺序更新推文、用户和特征的集群。在线框架不仅提供了更好的质量的动态用户级和推文级情感分析,但也提高了计算和存储效率。我们验证了2012年11月加州选票Twitter数据的有效性和效率的方法。
2014-06-12 cs.CL cs.IR cs.SI
SemEval-2020 Task 9: Overview of Sentiment Analysis of Code-Mixed Tweets
University of Houston(休斯顿大学);IIIT Delhi(印度德里信息技术学院);IIIT Sri City(印度斯里城信息技术学院);NTNU(挪威科技大学);Wipro AI Labs(威普罗人工智能实验室)
在本文中,我们介绍了SemEval-2020任务9对代码混合推文的情感分析(SentiMix 2020)的结果。我们还发布并描述了我们的Hinglish(印地语-英语)和Spanglish(西班牙语-英语)语料库,这些语料库使用单词级语言识别和短语级情感标签进行注释。这些语料库分别由20 K和19 K个示例组成。情绪标签是-积极,消极和中性。SentiMix共吸引了89个参赛作品,其中包括61个参加Hinglish比赛的团队和28个参加Spanglish比赛的团队。最好的成绩是75.0%F1的Hinglish和80.6%F1的Spanglish。我们观察到BERT类模型和集成方法是参与者中最常见和最成功的方法。
2020-08-10 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
Sentiment Analysis based on User Tag for Traditional Chinese Medicine in Weibo
Beihang University(北京航空航天大学)
随着西方文化和科学的接受,中医在中国已成为一个有争议的问题。因此,研究公众对中医药的情绪和看法具有重要意义。随着twitter等社交网络的迅速发展,对数以亿计的人进行情感研究变得方便而有效。据我们所知,目前的工作是第一次尝试,将情感分析应用到中医领域的新浪微博(一个类似Twitter的微博服务在中国)。首先从新浪微博中收集关于中医药的推文主题,并根据用户标签自动将推文标记为支持中医药和反对中医药。然后,建立了一个支持向量机分类器来预测中医推文的情感。最后,我们提出了一种调整分类器结果的方法。用我们的方法得到的F-测度的性能是97%。
2014-10-13 cs.CL cs.SI
Efficient Twitter Sentiment Classification using Subjective Distant Supervision
Indian Institute of Technology, Hyderabad(印度海得拉巴理工学院)
随着像Twitter这样的微博服务在当今全球化的世界中变得越来越有影响力,它的情感分析等方面正在被广泛研究。我们不再被自己的观点所束缚。其他人的观点和情感在塑造我们的观点方面发挥着巨大的作用。在本文中,我们建立在以前的作品Twitter的情感分析使用远程监督。现有的方法需要巨大的计算资源来分析大量的推文。在本文中,我们提出的技术,以加快计算过程的情感分析。我们使用tweet主观性来选择正确的训练样本。我们还介绍了EFWS(有效字分数)的概念,从常用词的极性得分,这是一个额外的启发式,可以用来加快与标准的机器学习算法的情感分类推文。我们使用160万条推文进行了实验。实验评估表明,我们提出的技术是更有效的,具有更高的准确性相比,以前提出的方法。我们在10万条推文的训练数据集上实现了约80%的总体准确率(EFWS启发式算法的准确率约为85%),这是基线模型所用数据集大小的一半。我们提出的模型的准确性比基线模型高2-3%,并且该模型的有效训练速度是基线模型的两倍。
2017-01-11 cs.CL cs.IR cs.SI
Deep Learning Brasil -- NLP at SemEval-2020 Task 9: Overview of Sentiment Analysis of Code-Mixed Tweets
Federal University of Goiás(戈亚斯联邦大学)
在本文中,我们描述了一种方法来预测情绪代码混合推文(印度英语)。我们的团队在CodaLab中称为verissimo. Verzel开发了一种基于四种模型(MultiFiT,BERT,AL BERT和XLNET)的集成的方法。最终的分类算法是这四个模型的所有softmax值的一些预测的集合。在SemEval 2020挑战赛(任务9)的背景下使用和评估了该架构,我们的系统在F1得分上获得了72.7%。
2020-07-28 cs.CL cs.IR cs.LG
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
On Gobbledygook and Mood of the Philippine Senate: An Exploratory Study on the Readability and Sentiment of Selected Philippine Senators' Microposts
Institute of Computer Science(计算机科学研究所);University of the Philippines Los Baños(菲律宾大学洛斯巴诺斯分校)
本文介绍了一个可读性评估和情感分析的结果,选择六个菲律宾参议员的微博在流行的Twitter微博。使用Gobbledygook(SMOG)的简单测量,参议员Cayetano,Defensor-Santiago,Pangilinan,Marcos,Guingona和Escudero的推文进行了评估。还进行了情感分析,以确定参议员各自微博的极性。结果显示,平均而言,六名参议员的推特水平为8到10个SMOG。这意味着,至少一个六年级学生将能够理解参议员的推文。此外,他们的推文大多是中立的,他们的情绪在一段时间内一致变化。这可能意味着参议员的推文情绪受到菲律宾特定事件的影响。
2015-08-06 cs.CL cs.CY
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
Twitter Opinion Topic Model: Extracting Product Opinions from Tweets by Leveraging Hashtags and Sentiment Lexicon
ANU & NICTA(澳大利亚国立大学与NICTA);Monash University(莫纳什大学)
基于属性的意见挖掘被广泛应用于对数据进行汇总或归纳,目前的最新研究成果是基于潜在狄利克雷分配(LDA)模型。虽然像tweet这样的社交媒体数据充满了意见,但它们的“肮脏”性质(作为自然语言)阻碍了研究人员将基于LDA的意见模型应用于产品评论挖掘。推文通常是非正式的,非结构化的,缺乏分类和评级等标记数据,这使得产品意见挖掘具有挑战性。在本文中,我们提出了一个基于LDA的意见模型命名为Twitter的意见主题模型(TOTM)的意见挖掘和情感分析。TOTM在其发现过程中利用了推文中存在的主题标签、提及、表情符号和强烈情感词。它通过直接对目标-意见交互进行建模来改进意见预测,从而发现目标特定的意见词,这在现有方法中被忽略了。此外,我们提出了一个新的配方,将情感先验信息的主题模型,利用现有的公众情绪词典。这是新颖的,因为它可以学习和更新数据。我们进行了实验,900万电子产品的推文,并证明了改进的性能TOTM在定量评价和定性分析。我们表明,基于方面的意见分析大量的推文提供了有用的意见,产品。
2016-09-21 cs.CL cs.IR cs.LG
Semantic Properties of Customer Sentiment in Tweets
Northwestern University(西北大学)
越来越多的人正在使用在线社交网络服务(SNS),并且大量与消费体验相关的信息通过这种新媒体形式共享。文本挖掘是一种新兴的从网络中挖掘有用信息的技术。我们的目标是发现,特别是在消费者的讨论在社交媒体上的推文语义模式。具体来说,本研究的目的是双重的:1)发现两组文本文档之间的相似性和差异性,包括消费者的情感极性,两种形式的积极与消极的意见和2)驱动实际内容的文本数据,具有语义趋势。经过考虑的推文包括消费者对美国零售公司的看法(例如,亚马逊、沃尔玛)。前一个目标是使用余弦相似度和K均值聚类方法,后一个目标是使用潜在狄利克雷分配(LDA),一个流行的主题建模算法。这是第一个发现消费语境中文本数据语义特性的研究,而不是情感分析。除了主要发现外,我们还将LDA(潜在狄利克雷分配)应用于相同的数据,并绘制了代表消费者在社交媒体上的积极意见和消极意见的潜在主题。
2016-03-24 cs.CL cs.IR cs.SI
Computational Content Analysis of Negative Tweets for Obesity, Diet, Diabetes, and Exercise
School of Library and Information Science, University of South Carolina(南卡罗来纳大学图书馆与信息科学学院)
基于社交媒体的数字流行病学有可能支持更快的反应和更深入地了解公共卫生相关威胁。本研究提出了一个新的框架来分析非结构化的健康相关的文本数据,通过Twitter用户的帖子(tweets)来表征负面的健康情绪和非健康相关的关注与负面情绪的语料库,关于饮食糖尿病运动和肥胖(DDEO)。通过收集一个月的600万条推文,本研究确定了用户的主要话题,因为它与负面情绪有关。我们提出的框架使用两种文本挖掘方法,情感分析和主题建模,发现负面主题。Twitter用户的负面情绪支持了文献叙述以及与DDEO相关的许多发病率问题以及肥胖和糖尿病之间的联系。该框架提供了一个潜在的方法来了解公众的意见和情绪DDEO。更重要的是,这项研究为计算社会科学家、医学专家和公共卫生专业人员提供了共同解决DDEO相关问题的新机会。
2017-09-22 cs.CL cs.SI stat.AP
Dynamic Allocation of Crowd Contributions for Sentiment Analysis during the 2016 U.S. Presidential Election
Boston University(波士顿大学)
关于2016年美国总统候选人的意见已经在数百万条推文中表达出来,这些推文很难自动分析。众包政治推文的有效分析也很困难,因为当涉及讽刺时,评级者之间存在很大的分歧。每条推文通常由固定数量的工人和多数投票进行分析。我们在这里提出了一个众包框架,而不是使用工人数量的动态分配。我们探索了两种动态分配方法:(1)根据预测的识别特定推文的情感的难度离线计算被查询以标记推文的工人数量。(2)在迭代的众包过程中,基于标签之间的评分员协议,众包工作者的数量是在线确定的。我们将我们的方法应用于2016年2月收集的关于四位美国总统候选人克林顿,克鲁兹,桑德斯和特朗普的1,000条Twitter消息。我们使用决策树实现了这两种方法,这些决策树将更多的人群努力分配给预测为讽刺的推文。我们表明,我们的框架优于传统的静态分配计划。它以低得多的成本从人群中收集意见标签,同时保持标签的准确性。
2017-02-09 cs.CL cs.HC cs.SI
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
Sentiment Analysis of Typhoon Related Tweets using Standard and Bidirectional Recurrent Neural Networks
Bicol University(比科尔大学)
菲律宾是台风、洪水、火山爆发和地震等自然灾害的共同点。Twitter是菲律宾最常用的社交媒体平台之一,从2013年11月1日到2014年1月31日,共获得了39,867条预处理的推文。情感分析确定给定一系列单词的潜在情感。本研究的主要目的是确定菲律宾人民发送的推文中表达的情绪之前,期间和之后的台风尤兰达使用两种变化的循环神经网络;标准和双向。使用各种超参数训练后生成的最佳模型,使用标准RNN进行细粒度分类的准确率为81.79%,使用双向RNN进行二进制分类的准确率为87.69%。调查结果显示,51.1%的推文是积极的,表达了对受害者的支持,爱和勇气的话语; 19.8%是消极的,表达了对生命损失的悲伤和绝望以及对腐败官员的仇恨;而其他29%是来自当地新闻台的中立推文,宣布救援行动,捐款活动和公民的观察。
2019-08-03 cs.CL cs.NE
Sentiment Analysis of Twitter Posts on Global Conflicts
Conestoga College(康尼斯托加学院);Wilfrid Laurier University(威尔弗里德·劳雷尔大学);Southern Utah University(南犹他大学)
本文提出一种情感分析模型,基于Twitter上近期全球争端事件数月间约31,000条筛选推文,分析全球冲突期间的公众情绪。
2023-11-21 cs.CL cs.LG cs.SI
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
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
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
Comparing methods for Twitter Sentiment Analysis
这项工作扩展了一套工程,其中涉及的情感分析在Twitter的流行问题。它研究了最流行的文档(“推文”)表示方法,这些方法提供了情感评估机制。特别是,我们研究了词袋,n-gram和n-gram图方法,对于每一种方法,我们使用一组4451条手动注释的推文评估了基于词典和7种基于学习的分类算法(即SVM,朴素贝叶斯网络,逻辑回归,多层感知器,最佳优先树,功能树和C4.5)及其组合的性能。结果表明,基于学习的方法的优越性,特别是n-gram图的方法来预测推文的情绪。他们还表明,组合方法对n-gram具有令人印象深刻的影响,使用多数投票和平衡数据集(相同数量的正面,负面和中性推文进行训练),将5-Gram的置信度提高到83.15%。在n-gram图的情况下,改善很小,甚至没有,在4-gram图上达到94.52%,使用正交距离和0.001的阈值。
2015-05-12 cs.CL cs.IR 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
A Multi-task Model for Sentiment Aided Stance Detection of Climate Change Tweets
L3S Research Center(L3S研究中心)
气候变化已成为我们时代最大的挑战之一。Twitter等社交媒体平台在提高公众意识和传播有关当前气候危机危险的知识方面发挥着重要作用。随着通过社交媒体开展的关于气候变化的运动和宣传越来越多,这些信息可以提高认识,并接触到公众和决策者。然而,这些Twitter通信导致信仰两极分化,意见主导的意识形态,并经常分裂为两个社区的气候变化否认者和信徒。在本文中,我们提出了一个框架,有助于识别否认Twitter上的声明,从而分类的立场的推文到两个对气候变化的态度(否认者/信徒)之一。Twitter关于气候变化的数据的情感方面深深植根于公众对气候变化的态度。因此,我们的工作重点是学习两个密切相关的任务:气候变化推文的立场检测和情感分析。我们提出了一个多任务框架,执行立场检测(主要任务)和情感分析(辅助任务)同时进行。该模型结合了特征特定和共享特定的注意框架,融合多个特征,并学习两个任务的广义特征。实验结果表明,该框架提高了主要任务的性能,即,通过受益于辅助任务,即,情感分析与其单模态和单任务变体相比。
2022-11-07 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
Balotage in Argentina 2015, a sentiment analysis of tweets
Universidad Nacional de Chilecito(智莱西托国立大学);KUNAN;Universidad Nacional Experimental del Táchira(塔奇拉国立实验大学)
Twitter的社交网络包含了大量的信息产生的用户。这些信息由可能反映社会行为趋势的意见和评论组成。当有可能确定许多人共同的观点和评论时,就会谈到趋势。为了确定两个或多个书面意见是否共享同一地址,使用了自然语言处理(NLP)技术。本文提出了一种基于社会行为的情感分析函数NLP的Twitter预测方法。该案例研究选择了2015年阿根廷总统选举,并使用了由Vertica数据库组成的软件架构Big Data,其中包含称为Pulse的组件。通过分析,有可能发现总统候选人的投票意向趋势,在预测方面比传统系统调查更准确。
2016-11-07 cs.CL cs.IR cs.SI
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
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
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
The Emotions of the Crowd: Learning Image Sentiment from Tweets via Cross-modal Distillation
Università di Pisa(比萨大学);ISTI-CNR(意大利国家研究委员会信息科学与技术研究所);IIT-CNR(意大利国家研究委员会信息技术研究所)
针对社交媒体图像情感极性预测依赖人工标注训练集的问题,提出基于跨模态蒸馏的自动化方法,用文本教师模型指导视觉学生模型训练,构建约150万张的弱标注数据集,在五个基准上超越当前最优水平。
2023-04-28 cs.CV
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
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