KuBERT: Central Kurdish BERT Model and Its Application for Sentiment Analysis
Soran University(索兰大学);University of Tehran(德黑兰大学)
本文提出 KuBERT,将 BERT 应用于低资源的中央库尔德语情感分析,利用其更强的词嵌入能力捕捉语义与上下文特征,为该语言情感分析建立新基准。
2025-09-20 cs.AI cs.CL
Sentiment Analysis Across Multiple African Languages: A Current Benchmark
Howard University(霍华德大学)
本文基于 AfriSenti-SemEval Shared Task 12 数据,对12种非洲语言上的 transformer 模型进行基准测试,发现专为非洲语言开发的模型表现最佳,且更多数据仍能提升单语言模型效果,不存在通用的单一模型解决方案。
2023-10-21 cs.AI cs.CL
Enhancing Aspect-based Sentiment Analysis with ParsBERT in Persian Language
University of Tehran(德黑兰大学);ICT Research Institute(信息和通信技术研究院);Shahrood University of Technology(沙赫鲁德理工大学)
针对波斯语文本挖掘数据集匮乏和模型效率低的问题,提出结合相关词典的ParsBERT基于方面情感分析方法,在Digikala数据集上准确率达88.2%,有效提升了波斯语情感分析性能。
2025-02-03 cs.AI cs.CL
Sentiment Classification of Code-Switched Text using Pre-trained Multilingual Embeddings and Segmentation
Howard University(霍华德大学)
随着全球化和移民的增加,各种研究估计,世界人口中约有一半是双语者。因此,人们在随意的对话环境中同时使用两种或多种语言或方言。然而,大多数的自然语言处理研究都集中在单语文本上。为了进一步开展语码转换情感分析的工作,本文提出了一种多步自然语言处理算法,利用混合文本中的语码转换点,围绕这些识别点进行情感分析。所提出的情感分析算法使用来自大型预训练的多语言模型的语义相似性,用手工制作的一组积极和消极的话来确定代码切换文本的极性。在西班牙语-英语数据集上,该方法的准确性和F1分数分别比可比基线模型高出11.2%和11.64%。从理论上讲,该算法可以扩展到情感分析的多种语言与有限的人类专业知识。
2022-10-29 cs.AI cs.CL
Where Are We At with Automatic Speech Recognition for the Bambara Language?
MALIBA-AI;RobotsMali AI;Rochester Institute of Technology(罗切斯特理工学院);DJELIA;Dakar American University of Science and Technology(达喀尔美国科学与技术大学)
本文提出首个巴马拉语言ASR标准化基准,评估37种模型后发现其性能远低于部署标准,多语言预训练和模型扩展不足以提升少数语言表现。
2026-02-10 cs.CL
Semantic and sentiment analysis of selected Bhagavad Gita translations using BERT-based language framework
University of New South Wales(新南威尔士大学);Indian Institute of Technology Guwahati(印度理工学院古瓦哈蒂分校)
众所周知,歌曲和诗歌的翻译不仅会打破节奏和押韵模式,而且还会导致语义信息的丢失。《薄伽梵歌》(Bhagavad Gita)是一部古印度哲学文本,最初是用梵文写成的,它描述了在摩诃婆罗多战争之前,奎师那和阿诸那之间的对话。《博伽梵歌》也是印度教的主要圣书之一,被称为印度教吠陀全集的最前沿。在过去的两个世纪里,西方学者对印度教哲学产生了浓厚的兴趣;因此,《博伽梵歌》被翻译成了多种语言。然而,没有太多的工作来验证英文翻译的质量。由深度学习驱动的语言模型的最新进展不仅使翻译成为可能,而且通过语义和情感分析更好地理解语言和文本。我们的工作是由深度学习方法驱动的语言模型的最新进展推动的。在本文中,我们提出了一个框架,比较选定的翻译(从梵文到英语)的薄伽梵歌使用语义和情感分析。我们使用手动标记的情感数据集来调整最先进的基于深度学习的语言模型,称为Transformers的双向编码器表示(BERT)。我们为选定的章节和跨翻译的诗句提供情感和语义分析。我们的研究结果表明,虽然风格和词汇在各自的翻译差异很大,情感分析和语义相似性表明,所传达的信息大多是相似的。
2022-02-15 cs.AI cs.CL
Masakhane-Afrisenti at SemEval-2023 Task 12: Sentiment Analysis using Afro-centric Language Models and Adapters for Low-resource African Languages
Saarland University(萨尔兰大学);Luleå University of Technology(吕勒奥理工大学);Instituto Politécnico Nacional(国家理工学院);Montclair State University(蒙特克莱尔州立大学);University of Ibadan(伊巴丹大学);Iowa State University(爱荷华州立大学);Masakhane NLP(Masakhane自然语言处理);Brandeis University(布兰迪斯大学)
本文针对 SemEval-2023 任务 12 中 12 种低资源非洲语言的情感分类,采用 Afro-centric 语言模型、多语微调及参数高效 Adapter 方法,证明其能有效提升单语和零样本情感分析性能。
2023-04-13 cs.AI cs.CL
Incorporating Dynamic Semantics into Pre-Trained Language Model for Aspect-based Sentiment Analysis
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学);Meituan(美团);Tianjin University(天津大学)
基于情感分析的情感分析(ABSA)预测给定句子中特定方面的情感极性。虽然预先训练的语言模型(如BERT)已经取得了巨大的成功,但将动态语义变化纳入ABSA仍然具有挑战性。为此,在本文中,我们提出了解决这个问题的动态重新加权BERT(DR-BERT),一种新的方法,旨在学习动态面向方面的语义ABSA。具体来说,我们首先将Stack-BERT层作为主要编码器,以掌握句子的整体语义,然后通过引入轻量级的动态重加权适配器(Dynamic Re-weighting Adapter,简写为RWQ)对其进行微调。请注意,在每一步中,用户可以密切关注句子的一个小区域,并重新权衡至关重要的单词,以便更好地理解方面感知的情感。最后,在三个基准数据集上的实验结果证明了我们提出的模型的有效性和合理性,并为未来的语义建模提供了良好的解释性见解。
2022-11-23 cs.AI 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
Massively Multilingual Corpus of Sentiment Datasets and Multi-faceted Sentiment Classification Benchmark
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学);Brand24 AI(Brand24人工智能公司);Poznań University of Technology(波兹南理工大学)
本研究构建了覆盖27种语言、含79个高质量数据集的大规模多语言情感分析语料库,并推出汇总数百组实验的多维度情感分类基准,为多语言情感模型训练与评估提供支撑。
2023-06-13 cs.AI cs.CL
Improving Similar Language Translation With Transfer Learning
Natural Language Processing Lab(自然语言处理实验室);The University of British Columbia(英属哥伦比亚大学)
我们研究了基于预训练神经机器翻译模型的迁移学习,以在(低资源)相似语言之间进行翻译。这项工作是我们对WMT 2021相似语言翻译共享任务的贡献的一部分,我们在该任务中提交了不同语言对的模型,包括法语-班巴拉语,西班牙语-加泰罗尼亚语和西班牙语-葡萄牙语。我们的加泰罗尼亚语-西班牙语($82.79$ BLEU)和葡萄牙语-西班牙语($87.11$ BLEU)模型在官方共享任务评估中排名前1,我们是唯一提交法语-班巴拉配对模型的团队。
2021-10-06 cs.AI 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
SentiLARE: Sentiment-Aware Language Representation Learning with Linguistic Knowledge
Tsinghua University(清华大学)
现有的预训练语言表示模型大多忽略了对文本语言知识的考虑,这在自然语言处理任务中可以促进语言理解。为了使情感分析中的下游任务受益,我们提出了一种新的语言表示模型SentiLARE,该模型将包括词性标签和情感极性(从SentiWordNet推断)在内的词级语言知识引入到预训练模型中。我们首先提出了一个上下文感知的情感注意力机制,通过查询SentiWordNet来获取每个词的情感极性及其词性标签。然后,我们设计了一个新的预训练任务,称为标签感知掩蔽语言模型,以构建知识感知的语言表示。实验表明,SentiLARE在各种情感分析任务上获得了新的最先进的性能。
2020-09-24 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
A review of sentiment analysis research in Arabic language
University of Tunis El Manar(突尼斯马纳尔大学);Nanyang Technological University(南洋理工大学)
情感分析是自然语言处理的一项任务,近年来受到越来越多的关注。然而,情感分析研究主要是针对英语语言进行的。尽管阿拉伯语正在成为互联网上使用最多的语言之一,但到目前为止,只有少数研究关注阿拉伯语的情感分析。在本文中,我们进行了深入的定性研究,在这方面最重要的研究工作,提出现有方法的局限性和优势。特别是,我们调查了利用机器翻译或迁移学习来使英语资源适应阿拉伯语的方法和直接源于阿拉伯语的方法。
2020-05-25 cs.CL
Language Independent Sentiment Analysis
Lahore University of Management Sciences (LUMS)(拉合尔管理科学大学);Islamic University(伊斯兰大学)
社交媒体平台和在线论坛产生快速和越来越多的文本数据。企业、政府机构和媒体组织寻求对该富文本数据执行情感分析。这些分析的结果用于调整营销策略,定制产品,安全和其他各种决策。情感分析已被广泛研究,并已开发出各种方法,取得了巨大的成功。然而,这些方法适用于以特定语言编写的文本。这限制了对有限人口和特定地理区域的适用性。在本文中,我们提出了一个通用的方法,情感分析的数据包含来自多种语言的文本。这使得所有的应用程序能够以语言无关或语言独立的方式利用情感分析的结果。
2020-01-23 cs.CL
Sentiment analysis for Arabic language: A brief survey of approaches and techniques
King Abdullah II School for Information Technology, The University of Jordan(约旦大学阿卜杜拉二世国王信息技术学院)
随着Web 2.0技术的出现和在线社交网络的扩展,当前的互联网用户能够在社交媒体和商业和新闻网站上添加他们的评论、评级和意见。情感分析旨在以自动的方式对这些评论进行分类。在文献中,有许多方法提出了自动情感分析不同的语言环境。每种语言都有自己的属性,这使得情感分析更具挑战性。在这方面,这项工作提出了一个全面的调查,现有的阿拉伯语情感分析研究,并涵盖了各种方法和技术提出的文献。此外,我们强调的主要困难和挑战,阿拉伯语情感分析,并在文献中提出的技术,以克服这些障碍。
2018-09-15 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
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
DomBERT: Domain-oriented Language Model for Aspect-based Sentiment Analysis
Tsinghua University(清华大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文重点研究了由最终任务驱动的面向领域的语言模型的学习,旨在将通用语言模型(如ELMo和BERT)和特定领域的语言理解结合起来。我们提出了DomBERT,一个扩展的BERT学习领域内语料库和相关领域语料库。这有助于学习领域语言模型与低资源。在基于方面的情感分析的任务分类进行实验,展示了可喜的成果。
2020-04-28 cs.CL
Overcoming Language Variation in Sentiment Analysis with Social Attention
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
语言的变化无处不在,特别是在社交媒体等较新的写作形式中。幸运的是,变异不是随机的,它往往与作者的社会属性有关。在本文中,我们展示了如何利用社交网络,使情感分析更强大的社会语言的变化。其核心思想是语言同质性:社会联系的个人倾向于以相似的方式使用语言。我们正式这个想法在一个新的注意力为基础的神经网络架构,其中注意力分为几个基本模型,根据作者的位置在社会网络。这具有在社交网络上平滑分类功能的效果,并且使得即使对于没有标记数据或人口统计元数据的作者也可以引入个性化分类器。该模型显著提高了Twitter和评论数据上情感分析的准确性。
2017-08-26 cs.AI cs.CL cs.SI
Sentiment Analysis of Code-Mixed Languages leveraging Resource Rich Languages
Language Technologies Research Centre (LTRC)(语言技术研究中心);Kohli Center on Intelligent Systems (KCIS)(科利智能系统中心);International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
针对语码混合数据的情感分析难题,提出结合对比学习、孪生网络与聚类预处理的SACMT方法,将语码混合与标准语言文本映射到公共情感空间,性能显著优于现有最优方法。
2018-04-03 cs.CL
Sentiment Analysis Using Aligned Word Embeddings for Uralic Languages
Rootroo Ltd(Rootroo有限公司);University of Helsinki(赫尔辛基大学)
本文提出一种通过对齐词嵌入将英语训练的神经网络情感分析模型应用于4种濒危乌拉尔语言的方法,准确率至少达56%,仅需双语词典即可实现跨语言迁移。
2023-05-24 cs.CL
Sentiment Analysis of Code-Mixed Indian Languages: An Overview of SAIL_Code-Mixed Shared Task @ICON-2017
University of Texas Health Science Center(得克萨斯大学健康科学中心);Jadavpur University(贾达普大学);IIIT Sri City(斯里城国际信息技术研究所)
情感分析在立场检测、评论分析、推荐系统等许多现实应用中至关重要,当数据是从社交媒体上收集的且带有噪声时,情感分析变得更加困难。印度是一个多语言的国家,人们使用一种以上的语言进行交流。语言之间的转换被称为语码转换或语码混合,这取决于混合的类型。本文概述了从不同的社交媒体平台收集的印度语-英语和孟加拉语-英语的代码混合数据对的情感分析的共享任务。本文描述了任务,数据集,评估,基线和参与者的系统。
2018-03-18 cs.CL
Emotions are Universal: Learning Sentiment Based Representations of Resource-Poor Languages using Siamese Networks
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术研究所)
针对情感分析对资源的依赖问题,提出基于孪生网络的SNASA模型,通过联合训练高低资源语言在公共情感空间学习表示,在多语言数据集上性能优于现有方法。
2018-04-03 cs.CL
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
TriLex: A Framework for Multilingual Sentiment Analysis in Low-Resource South African Languages
University of Pretoria(比勒陀利亚大学)
TriLex框架通过三阶段检索增强方法,系统扩展低资源南非语言的情感词典,提升多语言情感分析性能。
2025-12-02 cs.CL
Presence of informal language, such as emoticons, hashtags, and slang, impact the performance of sentiment analysis models on social media text?
University of Miskolc(米什科尔茨大学)
本研究旨在探讨表情符号和俚语等非正式语言的存在对社交媒体文本情感分析模型性能的影响。卷积神经网络(CNN)模型在三个数据集上被开发和训练:讽刺数据集、情感数据集和表情数据集。模型架构在所有实验中保持不变,模型在80%的数据上进行训练,并在20%的数据上进行测试。结果显示,该模型在讽刺数据集上的准确率为96.47%,其中类别1的准确率最低。在情感数据集上,该模型的准确率达到了95.28%。讽刺和情感数据集的融合将模型的准确率提高到95.1%,表情数据集的加入对模型的准确率有轻微的积极影响,达到95.37%。该研究表明,非正式语言的存在对应用于社交媒体文本的情感分析模型的性能具有有限的影响。然而,将表情数据包含到模型中可以稍微提高准确性。
2023-01-28 cs.CL
SGPT: Semantic Graphs based Pre-training for Aspect-based Sentiment Analysis
Alibaba(阿里巴巴)
先前的研究表明,预训练的语言模型用于情感分析是有效的。然而,这些研究大多忽略了情感信息对于预训练模型的重要性。因此,我们充分研究了预训练模型的情感信息,并使用语义图增强预训练语言模型以进行情感分析。特别地,我们引入了基于语义图的预训练(SGPT),使用语义图来获得方面-情感对和相似方面的同义词知识。情感词。然后,我们用语义图优化预训练的语言模型。对几个下游任务的实证研究表明,该模型优于强预训练基线。实验结果也表明了所提出的语义图对预训练模型的有效性。
2021-05-26 cs.CL
Preparing Bengali-English Code-Mixed Corpus for Sentiment Analysis of Indian Languages
SRM University(SRM大学);Jadavpur University(贾达普大学)
最近,已经相当密集地尝试了对社交用户的信息内容和情感的分析。大多数系统只适用于单语数据,当用于具有代码混合属性的数据时失败或给出较差的结果。为了吸引人们的注意力并鼓励研究人员致力于这场危机,我们准备了黄金标准的孟加拉语-英语代码混合数据,其中包含语言和极性标签,用于情感分析。在本文中,我们讨论了我们准备收集和过滤原始Twitter数据的系统。为了减少人工工作,而注释,混合系统相结合的基于规则和监督模型开发的语言和情感标记。最终的语料库由一组注释者按照一些准则进行注释。由此获得的黄金标准语料库具有令人印象深刻的注释者间的一致性,获得的Kappa值。代码混合指数(CMI),代码混合因子(CF)以及各个方面(语言和情感)等各种指标也定性地调查了语料库的代码混合和情感属性。
2018-03-11 cs.CL
Exploiting BERT to improve aspect-based sentiment analysis performance on Persian language
Boston University(波士顿大学)
基于情感的情感分析(ABSA)是情感分析中一个更详细的任务,通过识别对文本中某个方面的意见极性。由于这种方法提供了更全面、更有用的信息,因此受到了社会的更多关注。然而,对波斯语的语言研究很少。本研究的目的是改善波斯Pars-ABSA数据集上的ABSA。这项研究显示了使用预训练的BERT模型的潜力,并利用ABSA任务中使用的配对输入。结果表明,使用Pars-BERT预训练模型和自然语言推理辅助语句(NLI-M)可以将ABSA任务的准确率提高到91%,比Pars-ABSA数据集上的最新研究高出5.5%(绝对)。
2020-12-02 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
Sentiment Analysis in Poems in Misurata Sub-dialect -- A Sentiment Detection in an Arabic Sub-dialect
Montclair State University(蒙特克莱尔州立大学)
近几十年来,阿拉伯语自然语言处理的资源显著增加和发展。这包括探索阿拉伯语情感分析(ALSA)从阿拉伯语的话语在现代标准阿拉伯语(MSA)和不同的阿拉伯语方言的任务。本研究的重点是检测在米苏拉塔,利比亚的米苏拉塔阿拉伯语方言写的诗歌中的情感。用于从数据集中检测情感的工具是Sklearn和Mazajak sentiment tool 1。逻辑回归,随机森林,朴素贝叶斯(NB)和支持向量机(SVM)分类器与Sklearn一起使用,而卷积神经网络(CNN)则与Mazajak一起实现。结果表明,传统分类器的准确度高于Mazajak,后者是基于包含深度学习技术的算法构建的。更多的研究建议分析阿拉伯语次方言诗歌,以调查这些多行文本中的情感方面,例如,使用比喻语言,如隐喻。
2021-09-15 cs.CL
The ParlaSent Multilingual Training Dataset for Sentiment Identification in Parliamentary Proceedings
Radboud University(拉德堡德大学)
本文提出了包含7种语言的ParlaSent情感标注数据集,并引入在17.2亿议会词汇上预训练的首个政治学多语言transformer模型,显著提升了议会会议跨语言情感识别的稳健性与泛化性能。
2024-03-20 cs.CL
Ensembling Multilingual Transformers for Robust Sentiment Analysis of Tweets
Department of Computer Science, University of South Carolina, USA(南卡罗来纳大学计算机科学系);Artificial Intelligence Institute, University of South Carolina, USA(南卡罗来纳大学人工智能研究所);Department of Civil, Environmental, and Ocean Engineering, Stevens Institute of Technology, New Jersey, USA(史蒂文斯理工学院土木、环境与海洋工程系);School of Computing, University of Nebraska–Lincoln, Lincoln, Nebraska, USA(内布拉斯加大学林肯分校计算机学院);Department of Computer Science, Bowling Green State University, Bowling Green, Ohio, USA(伯灵顿州立大学计算机科学系)
针对外语场景缺乏标注数据导致的推文情感分析难题,本文集成 bert-base-multilingual-uncased-sentiment 与 XLM-R,并结合 LLM,在多语言数据集上取得超过 86% 的性能。
2025-09-28 cs.CL
Tensor Fusion Network for Multimodal Sentiment Analysis
Language Technologies Institute(语言技术研究所);Carnegie Mellon University(卡内基梅隆大学);Temasek Laboratories(淡马锡实验室);NTU, Singapore(新加坡南洋理工大学)
多模态情感分析是一个越来越受欢迎的研究领域,它将传统的基于语言的情感分析定义扩展到多模态设置,其中其他相关模态伴随语言。在本文中,我们提出的问题,多模态情感分析建模模态内和模态间的动态。我们引入了一种新的模型,称为张量融合网络,它可以端到端地学习这两种动态。所提出的方法是针对在线视频中口语以及伴随的手势和语音的不稳定性而定制的。在实验中,我们的模型优于国家的最先进的方法,多模态和单峰情感分析。
2017-07-23 cs.CL
Natural Language Processing, Sentiment Analysis and Clinical Analytics
Effat University(埃法特大学)
大数据的最新进展促使医疗保健从业者利用社交媒体上的数据来辨别情绪和情感表达。健康信息学和临床分析在很大程度上依赖于从不同来源收集的信息。传统上,医疗从业者会要求病人填写一份问卷,这将形成诊断医疗条件的基础。然而,医疗从业人员可以获得许多数据来源,包括患者在各种媒体上的文章。自然语言处理(NLP)允许研究人员收集这些数据并对其进行分析,以收集这些文字的潜在含义。情感分析领域(应用于许多其他领域)在很大程度上依赖于NLP使用的技术。这项工作将研究NLP领域的各种流行理论,以及如何利用它们来收集社交媒体上的用户情绪。这种情绪可以在一段时间内剔除,从而最大限度地减少数据输入和其他压力源引入的错误。此外,我们还研究了情感分析的一些应用以及NLP在心理健康方面的应用。读者还将了解实现各种NLP理论的NLTK工具包,以及它们如何使数据清理过程变得更加容易。
2019-02-02 cs.CL
NUIG-Shubhanker@Dravidian-CodeMix-FIRE2020: Sentiment Analysis of Code-Mixed Dravidian text using XLNet
National University Of Ireland Galway(爱尔兰国立高威大学);Trinity college Dublin(都柏林圣三一学院);Eastern University(东方大学)
社交媒体已经渗透到多语言社会,但他们中的大多数人使用英语作为首选的沟通语言。因此,他们在对话中将自己的文化语言与英语混合在一起,这看起来很自然,从而产生了大量的多语言数据,称之为代码混合数据,在当今世界可用。由于这些数据的语义性质分布在多种语言中,因此使用这些数据的下游NLP任务具有挑战性。其中一个自然语言处理任务是情感分析,为此,我们使用自回归XLNet模型对代码混合的泰米尔语-英语和马拉雅拉姆语-英语数据集执行情感分析。
2020-10-15 cs.AI cs.CL cs.LG
Sentiment Classification in Swahili Language Using Multilingual BERT
Soonchunhyang University(顺天乡大学)
互联网的发展增加了人们在不同平台上表达的信息量。这些信息可以是产品评论、论坛讨论或社交媒体平台。这些意见和人们的感受的可访问性打开了意见挖掘和情感分析的大门。随着语言和语音技术的发展,已经使用了许多语言,并获得了最佳模型。然而,由于语言多样性和缺乏数据集,非洲语言被抛在后面。在这项研究中,通过使用当前国家的最先进的模型,多语言BERT,我们进行情绪分类斯瓦希里语数据集。这些数据是通过提取和注释不同社交媒体平台上的8.2k评论和评论以及ISOMEMORY情感数据集创建的。数据分为阳性或阴性。对模型进行了微调,达到了87.59%的最佳精度。
2021-04-19 cs.CL
Investigating the Impact of Language-Adaptive Fine-Tuning on Sentiment Analysis in Hausa Language Using AfriBERTa
University of the Witwatersrand(金山大学);Imperial College London(伦敦帝国学院)
本研究探讨语言自适应微调(LAFT)对豪萨语情感分析的影响,使用AfriBERTa模型,发现LAFT带来适度改进,且预训练模型显著优于非豪萨语专门模型,强调低资源场景下预训练和多样数据源的重要性。
2025-01-19 cs.CL
Transgender Community Sentiment Analysis from Social Media Data: A Natural Language Processing Approach
Northeast Yucai Bilingual School(东北育才双语学校);Northeast Yucai Foreign Language School(东北育才外国语学校);Northwestern University(西北大学);Shenyang Pharmaceutical University(沈阳药科大学)
与普通人群相比,跨性别群体的心理健康状况存在巨大差异。解读跨性别者发布的社会媒体数据,有助于我们更好地了解这些性少数群体的情绪,并采取早期干预措施。在这项研究中,我们手动将跨性别者发布的300条社交媒体评论分类为消极,积极和中立的情绪。采用5种机器学习算法和2种深度神经网络,基于标注数据构建情感分析分类器。结果表明,我们的注释是可靠的高科恩的Kappa评分超过0.8在所有三个类。LSTM模型产生了超过0.85的准确度和0.876的AUC的最佳性能。我们的下一步将专注于在更大的注释数据集上使用高级自然语言处理算法。
2022-07-20 cs.CL
W2VLDA: Almost Unsupervised System for Aspect Based Sentiment Analysis
Vicomtech-IK4(维康技术-IK4研究所);EHU(巴斯克大学)
随着专业网站和社交网络中在线客户意见的增加,自动系统帮助组织和分类客户评论的必要性比以往任何时候都更加重要。基于方面的情感分析的监督方法对于它们所训练的领域/语言获得了良好的结果,但是对于所有领域和语言,使用手动标记的数据来训练监督系统通常非常昂贵和耗时。在这项工作中,我们描述了W2 VLDA,一个几乎无监督的系统,基于主题建模,结合其他一些无监督的方法和最小的配置,执行方面/类别分类,方面术语/意见词分离和情感极性分类为任何给定的域和语言。我们在多语言SemEval 2016 task 5(ABSA)数据集中评估了方面和情感分类的性能。我们展示了几种语言(英语,西班牙语,法语和荷兰语)和领域(酒店,餐馆,电子设备)的竞争结果。
2017-07-18 cs.CL
Multilingual Sentiment Analysis: An RNN-Based Framework for Limited Data
Bilkent University(比尔肯特大学)
情感分析是一个被广泛研究的NLP任务,其目标是确定用户对他们正在审查的产品,实体或服务的意见,情感和评价。情感分析面临的最大挑战之一是它高度依赖于语言。词嵌入、情感词典、甚至注释数据都是特定于语言的。此外,为每种语言优化模型是非常耗时和劳动密集型的,特别是对于递归神经网络模型。从资源的角度来看,收集不同语言的数据非常具有挑战性。在本文中,我们寻找以下研究问题的答案:在一种语言上训练的情感分析模型是否可以重用于其他语言的情感分析,如俄语、西班牙语、土耳其语和荷兰语,这些语言的数据更有限?我们的目标是用具有最大数据集的语言构建单个模型,并将其重用于资源有限的语言。为此,我们训练一个情感分析模型,使用循环神经网络与评论在英语。然后,我们将评论翻译成其他语言,并重用该模型来评估情感。实验结果表明,我们在英语评论上训练的单一模型的鲁棒方法在统计上显着优于几种不同语言的基线。
2018-06-08 cs.CL cs.IR
Deep Learning-based Sentiment Analysis in Persian Language
Tarbiat Modares University(塔比亚特莫达雷斯大学)
针对波斯语情感分析挑战,提出并实现混合深度学习模型,利用Digikala评论数据,在三个情感类别上取得F1分数78.3的优异性能。
2024-03-17 cs.CL
A Survey on sentiment analysis in Persian: A Comprehensive System Perspective Covering Challenges and Advances in Resources, and Methods
Malek-Ashtar University of Technology(马利克阿什塔尔理工大学)
社交媒体在过去几年中得到了显著的发展。如今,在社交媒体网站上发布消息已成为最受欢迎的互联网活动之一。大量的用户生成内容使社交媒体成为最广泛的民意数据来源。情感分析是用于分析用户生成数据的技术之一。波斯语有其独特的特点,因此需要采用独特的方法和模型来进行情感分析,这与英语不同。每种语言的情感分析都有特定的先决条件;因此,直接使用波斯语中为英语开发的方法、工具和资源有其局限性。本文的主要目标是为波斯语情感分析的最新进展提供一个全面的文献调查。在这方面,本研究的目的是调查和比较以前的情感分析研究波斯语文本和描述在过去十年发表的文章中提出的贡献。首先,描述了情感分析的层次、方法和任务。然后,详细调查的情感分析方法用于波斯语文本,并讨论了以前的相关工作对波斯语。此外,我们在本次调查中提出了真实的和出版的标准情感分析资源和进步,已经完成了波斯语情感分析。最后,根据英语情感分析的发展现状,总结了波斯语文本情感分析中尚未解决的问题和挑战,并为波斯语文本情感分析的未来研究提供了指导。本文提供的信息,以帮助新的或建立在该领域的研究人员以及行业开发人员谁的目标是部署一个操作完整的情感分析系统。
2021-04-30 cs.CL
Fortunately, Discourse Markers Can Enhance Language Models for Sentiment Analysis
Pangea Therapeutic(泛大陆治疗公司)
近年来,预训练的语言模型已经彻底改变了NLP世界,同时在各种下游任务中实现了最先进的性能。然而,在许多情况下,当标记数据稀缺并且模型预期在零或Few Shot设置下执行时,这些模型的性能不佳。最近,一些研究表明,持续的预训练或执行第二阶段的预训练(inter-training)可以更好地与下游任务保持一致,从而改善结果,特别是在数据稀缺的情况下。在这里,我们建议利用带有情感的话语标记来生成大规模的弱标记数据,这些数据反过来可以用于适应情感分析的语言模型。广泛的实验结果显示了我们的方法在各种基准数据集上的价值,包括金融领域。代码、模型和数据可在https://github.com/ibm/tslm-discourse-markers上获得。
2022-04-05 cs.CL
NLNDE at SemEval-2023 Task 12: Adaptive Pretraining and Source Language Selection for Low-Resource Multilingual Sentiment Analysis
Bosch Center for Artificial Intelligence(博世人工智能中心);Center for Information and Language Processing (CIS), LMU Munich(慕尼黑大学语言信息处理中心);Karlsruhe University of Applied Sciences(卡尔斯鲁厄应用科学大学)
本文针对低资源非洲语言情感分析,提出利用语言与任务自适应预训练及源语言选择策略,显著提升了跨语言迁移效果,在SemEval-2023任务中赢得15个赛道中的8个并取得多语言评估最佳。
2023-04-28 cs.CL
Video Games as a Corpus: Sentiment Analysis using Fallout New Vegas Dialog
University of Helsinki(赫尔辛基大学);École Normale Supérieure(巴黎高等师范学院)
我们提出了一种方法,用于从Fallout New Vegas中提取多语言情感注释对话数据集。游戏开发者已经在游戏中的每一行对话中预先注释了8种不同情感之一:\textit{anger, disgust, fear, happy, neutral, pained, sad }和\textit{surprised}。该游戏已被翻译成英语,西班牙语,德语,法语和意大利语。我们使用多语言BERT,XLMRoBERTa和语言特定的BERT模型提取的数据集上进行多语言,多标签情感分析的实验。在我们的实验中,对于大多数语言,多语言BERT的性能优于XLMRoBERTa,对于大多数语言,语言特定模型也略优于多语言BERT。最好的整体准确率为54%,它是通过使用西班牙语数据的多语言BERT。提取的数据集提出了一个具有挑战性的任务,情感分析。我们已经在Zenodo上公开发布了数据,包括测试和训练部分。由于版权原因,数据集被打乱了。
2022-12-05 cs.CL
Sentiment Analysis of Persian Language: Review of Algorithms, Approaches and Datasets
Islamic Azad University, Central Tehran Branch(伊斯兰阿扎德大学德黑兰中央分校);Kharazmi University(哈拉兹米大学)
情感分析旨在从人们在网络上的评论中提取他们的情感和观点。它广泛用于企业检测社交数据中的情绪,衡量品牌声誉和了解客户。该领域的大多数文章都集中在英语上,而波斯语的资源有限。在这篇综述论文中,收集了2018年至2022年期间在波斯语情感分析方面发表的最新文章,并对其方法,方法和数据集进行了解释和分析。几乎所有用于解决情感分析的方法都是机器学习和深度学习。本文的目的是研究40种不同的方法情感分析在波斯语,分析数据集以及应用于他们的算法的准确性,并审查每个的优点和缺点。在所有方法中,诸如BERT的Transformers和诸如LSTM和Bi-LSTM的RNN神经网络在情感分析中实现了更高的准确性。除了方法和途径之外,还列出了2018年至2022年期间审查的数据集,并提供了有关每个数据集及其详细信息的信息。
2022-11-09 cs.CL cs.LG
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton(代顿大学)
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统,归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法,并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
IIITT@Dravidian-CodeMix-FIRE2021: Transliterate or translate? Sentiment analysis of code-mixed text in Dravidian languages
Indian Institute of Information Technology Tiruchirappalli(蒂鲁吉拉帕利信息技术学院);SSN College of Engineering(SSN工程学院)
出于各种营销和情感目的对社交媒体帖子和评论进行情感分析的做法正在得到认可。随着各种本机语言中代码混合内容的日益增多,需要进行热情的研究以产生有希望的结果。本研究论文对这项研究做出了微小的贡献,对流行的德拉威语卡纳达语、泰米尔语和马拉雅拉姆语中的代码混合社交媒体评论进行了情感分析。它描述了Dravidian-CodeMix在FIRE 2021上进行的共享任务的工作,通过采用预训练的模型,如ULMFiT和多语言BERT,在代码混合数据集上进行微调,相同的音译(TRAI),TRAI数据的英语翻译(TRAA)以及所有三者的组合。结果记录在本研究论文中,最好的模型分别在泰米尔语,卡纳达语和马拉雅拉姆语任务中排名第4,第5和第10。
2021-11-15 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
Context is Important in Depressive Language: A Study of the Interaction Between the Sentiments and Linguistic Markers in Reddit Discussions
Institute of Computer Science, University of Tartu(塔尔图大学计算机科学研究所)
本研究基于Reddit数据发现,抑郁个体的情感表达受讨论主题语境影响,其积极与消极情感均高于对照组,且语言标记与情感的关系随语境变化,凸显了语境分析在抑郁语言研究中的重要性。
2024-07-03 cs.CL
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