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
Sinhala Language Corpora and Stopwords from a Decade of Sri Lankan Facebook
LIRNEasia；University of Oregon（俄勒冈大学）
本文介绍了LIRNEasia的数据，分析和政策团队的语言努力中的两个口语僧伽罗语语料库，以及算法派生的停用词列表。两个语料库中较大的一个跨越2010年至2020年，包含533个斯里兰卡Facebook页面发布的28，825，820至29，549，672个单词的多语言文本，包括政治，媒体，名人和其他类别;较小的语料库只有5，402，76个单词的僧伽罗语文本。这两个语料库都有标记，用于标记它们的创建日期、来源页面和内容类型。
2020-07-15 cs.CL cs.SI
Effect of Word Embedding Variable Parameters on Arabic Sentiment Analysis Performance
Gazi University（加齐大学）；Southern Technical University（南方技术大学）
诸如Twitter、Facebook等社交媒体已经导致产生越来越多的包含用户意见的评论。情感分析研究处理这些评论，以提取意见是积极的或消极的。阿拉伯语是一种丰富的形态语言;因此，英语情感分析的经典技术不能用于阿拉伯语。词嵌入技术可以被认为是解决阿拉伯语词法问题的成功方法之一。基于词嵌入的阿拉伯语情感分析已经有很多研究，但还没有针对可变参数的研究。本研究将讨论使用DBOW和DMPV架构进行阿拉伯语情感分析的三个参数（窗口大小、向量维数和负样本）。以前的作品的大型语料库，用于学习单词表示和提取特征。四个二进制分类器（逻辑回归，决策树，支持向量机和朴素贝叶斯）被用来检测情感。分类器的性能基于精度，召回率和F1分数进行评估。
2021-01-08 cs.CL cs.LG
Sentiment Identification in Code-Mixed Social Media Text
Rutgers University（罗格斯大学）；MAKAUT（毛拉纳阿布卡拉姆阿扎德技术大学）；Jadavpur University（贾达普大学）
情感分析是自然语言处理（NLP）任务，处理文本中情感的检测和分类。虽然有些任务处理识别文本中的情感存在（主观性分析），但其他任务旨在确定文本的极性，将其分类为积极，消极和中性。每当文本中存在情感时，它都有一个来源（人，一群人或任何实体），并且情感指向某个实体，对象，事件或人。情感分析任务旨在确定情感的主体、目标和极性或效价。在我们的工作中，我们尝试使用机器学习方法从Facebook帖子中自动提取情感（积极或消极）。虽然已经在代码混合的社交媒体数据和情感分析中分别完成了一些工作，但我们的工作是第一次尝试（截至目前），旨在对代码混合的社交媒体文本进行情感分析。我们使用了大量的预处理来去除原始文本中的噪声。多层感知器模型已被用来确定的极性的情绪。我们还通过手动标记Facebook帖子及其相关情绪来开发此任务的语料库。
2017-07-04 cs.AI cs.CL cs.SI
Unsupervised Self-Training for Sentiment Analysis of Code-Switched Data
Carnegie Mellon University（卡内基梅隆大学）
情感分析是理解社交媒体内容的一项重要任务，如客户评论，Twitter和Facebook提要等。在世界各地的多语言社区中，大量的社交媒体文本的特点是存在语码转换。因此，建立能够处理代码转换数据的模型变得非常重要。然而，带注释的代码转换数据是稀缺的，需要无监督的模型和算法。我们提出了一个通用的框架，称为无监督的自我训练，并显示其应用程序的代码转换数据的情感分析的特定用例。我们使用预训练的BERT模型的能力进行初始化，并以无监督的方式对其进行微调，仅使用由zero-shot传输产生的伪标签。我们测试我们的算法在多种代码转换语言，并提供了一个详细的分析，学习动态的算法的目的是回答这个问题-“我们的无监督模型理解代码转换语言，还是只是学习它的表示？'.我们的无监督模型与有监督模型竞争良好，与针对两类问题训练的有监督模型相比，其性能达到1-7\%（加权F1分数）。
2021-10-01 cs.CL cs.LG
Sentiment and Emotion Classification of Epidemic Related Bilingual data from Social Media
Al-Khawarizmi Institute of Computer Sciences（花拉子米计算机科学研究所）；University of Engineering & Technology（工程技术大学）
情感分析和情感分类是近年来自然语言处理（Natural Language Processing，NLP）领域中应用最为广泛的两种技术。虽然情感分析和情感分类通常用于分析客户评论，竞选候选人的受欢迎程度以及对各种体育赛事的评论等应用程序，但在本研究中，我们研究了它们在流行病爆发检测中的应用。早期发现疫情是有效应对疫情的关键，然而，传统的疫情发现方法耗时长，阻碍了相关部门的及时反应。社交媒体平台，如Twitter，Facebook，Instagram等，允许用户表达他们对生活不同方面的想法，因此，在这种情况下，作为一个重要的信息来源。该研究利用了来自Twitter和NEWS网站的双语（乌尔都语和英语）数据，这些数据与巴基斯坦的登革热疫情有关，并进行了情感分析和情感分类，以从数据集中获得深刻的见解，从而获得与疫情爆发有关的公平想法。机器学习和深度学习算法已被用于训练和实现用于执行这两项任务的模型。每个模型的比较性能进行了评估，使用准确率，精度，召回率和f1-措施。
2021-05-04 cs.CL cs.LG
Sentiment Analysis Based on Deep Learning: A Comparative Study
HoChiMinh City University of Transport (UT-HCMC)（胡志明市交通大学）；University of Salamanca（萨拉曼卡大学）
研究民意可以为我们提供有价值的信息。对诸如Twitter或Facebook等社交网络上的情感的分析已经成为了解用户意见的有力手段，并且具有广泛的应用。然而，情感分析的效率和准确性受到自然语言处理（NLP）中遇到的挑战的阻碍。近年来，已经证明深度学习模型是应对NLP挑战的一种有前途的解决方案。本文回顾了采用深度学习解决情感分析问题（如情感极性）的最新研究。使用词频-逆文档频率（TF-IDF）和词嵌入的模型已被应用到一系列的数据集。最后，对不同模型和输入特征下的实验结果进行了比较研究
2020-06-05 cs.CL cs.IR cs.LG
GeeSanBhava: Sentiment Tagged Sinhala Music Video Comment Data Set
Department of Computer Science & Engineering, University of Moratuwa（计算机科学与工程系，摩图瓦大学）
GeeSanBhava数据集通过情感标注的僧加罗语音乐视频评论，为自然语言处理和音乐情感识别提供了高质量的标注资源。
2025-11-22 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
Sentiment Analysis of Czech Texts: An Algorithmic Survey
Institute of Formal and Applied Linguistics, Charles University（查尔斯大学形式与应用语言学研究所）
在在线通信、商务和交易领域，分析以各种自然语言书写的文本的情感极性变得至关重要。虽然在英语的资源和研究方面有很多贡献，但像捷克语这样的“较小”语言并没有得到太多的关注。在这项调查中，我们探索了许多现有的机器学习算法对捷克Facebook帖子和产品评论进行情感分析的有效性。我们报告了每个算法的最佳参数值集以及两个数据集中的得分。我们最后观察到，支持向量机是最好的分类器和努力，以提高性能，甚至更多的装袋，提升或投票集成方案未能做到这一点。
2019-03-15 cs.CL cs.IR cs.LG
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
Sentiment Analysis On Indian Indigenous Languages: A Review On Multilingual Opinion Mining
Dublin Business School（都柏林商学院）
智能手机使用的增加已经影响到互联网和社交媒体平台的使用。最常用的社交媒体平台是Twitter，Facebook，WhatsApp和Instagram。人们在网上分享他们的个人经历，评论，反馈。网络上的信息是非结构化的和巨大的。因此，在理解网络上可用数据的情绪方面有很大的研究范围。情感分析（SA）可以在网络上的评论、反馈、讨论上进行。已经有广泛的研究进行了SA在英语语言，但在网络上的数据也包含不同的其他语言，应加以分析。本文旨在分析，回顾和讨论的方法，算法，研究人员所面临的挑战，而开展的土著语言的SA。
2019-11-28 cs.CL cs.IR cs.LG
Sentiment Analysis of Comments on Rohingya Movement with Support Vector Machine
Shahjalal University of Science and Technology（沙阿贾拉勒科技大学）
罗兴亚运动和危机在孟加拉国的政治和经济国家引起了巨大的骚动。难民流动是一个经常发生的事件，大量的意见形式的数据仍然存在于Facebook等社交媒体上，很少有人对它们进行分析。为了分析所有与罗兴亚人相关的帖子的评论，我们必须创建和修改一个基于支持向量机算法的分类器。代码是用python实现的，并使用scikit-learn库。目前还没有关于罗兴亚分析的数据集，所以我们不得不使用我们自己的2500条正面评论和2500条负面评论的数据集。我们特别使用了一个具有线性核的支持向量机。我们之前使用朴素贝叶斯算法在同一数据集上进行了一个实验，但没有产生令人印象深刻的结果。
2018-03-22 cs.CL cs.IR cs.LG
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
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
BnSentMix: A Diverse Bengali-English Code-Mixed Dataset for Sentiment Analysis
Islamic University of Technology（伊斯兰科技大学）
针对孟加拉语-英语代码混合情感数据稀缺问题，本文构建含2万样本的BnSentMix数据集，并提出14种基线方法，最佳模型取得69.8%准确率和69.1% F1分数。
2024-12-10 cs.CL
Sentiment Analysis for YouTube Comments in Roman Urdu
National University of Computer and Emerging Sciences（国家计算机与新兴科学大学）
情感分析是机器学习领域中的一个广阔领域。大量的工作是在数据集及其对英语的分析上完成的。在巴基斯坦，大量的数据是罗马乌尔都语，它分散在社交网站，包括Twitter，YouTube，Facebook和类似的应用程序。在这项研究中，数据集收集的重点领域是YouTube评论。数据集包含人们对不同巴基斯坦戏剧和电视节目的评论。数据集包含多类分类，将评论分为积极，消极和中性情绪。本文对线性回归、SVM、KNN、多层感知器和朴素贝叶斯分类器等五种监督学习算法进行了比较分析。准确率，召回率，精确度和F-测量用于测量性能。结果表明，SVM的准确率为64%，优于列表中的其他部分。
2021-02-19 cs.AI cs.CL
Sentiment Analysis of Twitter Data: A Survey of Techniques
Pune Institute of Computer Technology（浦那计算机技术学院）；University of Pune（浦那大学）
随着网络技术的进步和增长，互联网用户在网络上存在大量数据，并且也产生了大量数据。互联网已经成为一个在线学习、交流思想和分享观点的平台。Twitter、Facebook、Google+等社交网站正在迅速普及，因为它们允许人们分享和表达他们对主题的看法，与不同的社区进行讨论，或在世界各地发布消息。在twitter数据的情感分析领域已经做了很多工作。本调查主要关注twitter数据的情感分析，这有助于分析twitter中的信息，这些信息的观点是高度非结构化的，异质的，或者是积极的，或者是消极的，或者在某些情况下是中立的。在本文中，我们提供了一个调查和比较分析现有的意见挖掘技术，如机器学习和基于词典的方法，连同评估指标。本文利用朴素贝叶斯、最大熵和支持向量机等机器学习算法，对Twitter数据流进行了研究，并讨论了Twitter情感分析的一般挑战和应用。
2016-04-22 cs.CL
Multimodal Sentiment Analysis with Word-Level Fusion and Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）
随着YouTube和Facebook等视频分享网站的日益普及，多模态情感分析越来越受到科学界的关注。与以前的多模态情感分析的工作，专注于整体信息的语音段，如袋的话表示和平均面部表情强度，我们开发了一种新的深度架构多模态情感分析，执行模态融合在单词级别。在本文中，我们提出了具有时间注意力的门控多模态嵌入LSTM（GME-LSTM（A））模型，该模型由2个模块组成。门控多模态嵌入技术解决了多模态噪声情况下的融合问题。具有时间注意力的LSTM以输入模态之间更精细的融合分辨率执行单词级融合，并关注最重要的时间步长。因此，GME-LSTM（A）能够更好地对语音的多模态结构进行建模，并执行更好的情感理解。我们通过实现最先进的情感分类和回归结果，在公开的情感强度和主观性分析（CMU-MOSI）数据集上证明了这种方法的有效性。对我们的模型的定性分析强调了时间注意层在情感预测中的重要性，因为附加的声学和视觉模态是嘈杂的。我们还证明了门控多模态嵌入的有效性，有选择地过滤这些嘈杂的方式。我们的研究结果和分析开辟了人类交流中情感分析研究的新领域，并为多模态融合提供了新的模型。
2018-02-03 cs.AI cs.CL cs.LG
Semantic Sentiment Analysis of Twitter Data
Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）
互联网和智能移动设备的激增已经改变了信息创建、共享和传播的方式，例如，诸如Twitter之类的微博、诸如LiveJournal之类的网络日志、诸如Facebook之类的社交网络以及诸如Skype和WhatsApp之类的即时信使现在通常用于分享关于周围世界中的任何事物的想法和观点。这导致了社交媒体内容的扩散，从而创造了以前所未有的规模研究公众舆论的新机会。自然，这些丰富的数据很快吸引了来自市场营销、政治学和社会研究等各个领域的商业和研究兴趣，这些领域对以下问题感兴趣：人们喜欢新的Apple Watch吗？美国人支持奥巴马医改吗？苏格兰人如何看待英国脱欧？研究这些问题需要研究人们在社交媒体中表达的观点的情绪，这导致了社交媒体中情感分析领域的快速增长，Twitter由于其规模，代表性，讨论的主题的多样性以及公众容易获得其消息而特别受欢迎。在这里，我们介绍了Twitter上的情感分析工作的概述。
2017-10-04 cs.CL
MONOVAB : An Annotated Corpus for Bangla Multi-label Emotion Detection
Alliance University（联盟大学）；Daffodil International University（达福德国际大学）；OP Jindal Global University（OP金达尔全球大学）
本文构建了基于Facebook数据的孟加拉语多标签情感标注语料库MONOVAB，采用上下文标注方法，并验证BERT模型在该任务上表现最佳，同时开发了Web应用进行演示。
2026-09-30 cs.CL cs.LG
Sinhala Sentence Embedding: A Two-Tiered Structure for Low-Resource Languages
University of Moratuwa（莫拉图瓦大学）；LIRNEasia（斯里兰卡信息通信技术促进发展区域倡议组织）
在对自然语言进行数值建模的过程中，语言嵌入的开发是至关重要的一步。然而，为资源贫乏的语言（如僧伽罗语）开发函数嵌入是具有挑战性的，因为很难找到足够大的语料库，有效的语言解析器和任何其他所需的资源。在这种情况下，利用现有的模型来提出一种有效的嵌入方法来数字表示文本可能是非常富有成效的。本文探讨了几个一层和两层的嵌入架构的有效性表示僧伽罗语文本的情感分析域。根据我们的研究结果，两层嵌入架构（下层由单词嵌入组成，上层由句子嵌入组成）已被证明比单层词嵌入表现更好，最高F1得分为88.04%，而词嵌入模型的F1得分为83.76%。此外，在双曲空间中的嵌入也被开发，并在性能方面与欧氏嵌入进行比较。由Facebook帖子和相关反应组成的情感数据集已用于本研究。为了有效地比较不同嵌入系统的性能，已经在情感数据上训练了相同的深度神经网络结构，其中每个嵌入系统用于对相关联的文本进行编码。
2022-10-26 cs.CL
SentiLSTM: A Deep Learning Approach for Sentiment Analysis of Restaurant Reviews
Chittagong University of Engineering and Technology（吉大港工程技术大学）
由于互联网的轻松访问和各种Web 2.0应用程序的发展，文本数据生成的数量大大增加。这些文本数据的产生是因为人们以推文、Facebook帖子或状态、博客文章和评论的形式表达他们对任何产品或服务的意见、情感或情绪。情感分析处理的是通过计算识别和分类文本中表达的观点的过程，特别是为了确定作者对特定主题的态度是积极的，消极的还是中立的。顾客评论对感知顾客对餐厅的态度有显著的影响。因此，从评论中自动检测情感对于餐馆所有者或服务提供商和顾客来说是有利的，以使他们的决策或服务更令人满意。本文提出了一种基于深度学习的技术（即，BiLSTM）将餐厅客户提供的评论分为正极性和负极性。一个语料库由8435评论构建，以评估所提出的技术。此外，提出的技术与其他机器学习算法的比较分析。测试数据集的评估结果表明，BiLSTM技术的准确率最高，达到91.35%。
2020-11-19 cs.CL
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
When a Nation Speaks: Machine Learning and NLP in People's Sentiment Analysis During Bangladesh's 2024 Mass Uprising
Jahangirnagar University（贾 banggar 大学）
本研究利用机器学习和NLP技术，首次在孟加拉国2024年大规模抗议期间对孟加拉语进行情感分析，通过分析公众情绪揭示政治动荡中的情感动态。
2025-12-17 cs.CL cs.CY
ClimateChat-300K: A Multi-Modal Facebook Dataset for Understanding Diverse Perspectives in Climate Communication
Northwestern University in Qatar（卡塔尔西北大学）；Hamad Bin Khalifa University（哈马德·本·卡伊夫大学）
通过CrowdTangle平台收集2020年5月至2024年5月间的299,329条Facebook公开帖子，利用主题建模和情感分析识别出政策、行动主义、合作、科学和保护五大领域十个主题，揭示了情感基调、帖子格式和页面身份对受众参与度的显著影响。
2026-05-22 cs.CL
Ask Me Anything: Dynamic Memory Networks for Natural Language Processing
MetaMind（MetaMind公司）
自然语言处理中的大多数任务都可以转化为基于语言输入的问答问题。我们介绍了动态记忆网络（DMN），一个神经网络架构，处理输入序列和问题，形成情景记忆，并产生相关的答案。问题触发了一个迭代的注意力过程，允许模型将其注意力集中在输入和先前迭代的结果上。然后，这些结果在分层递归序列模型中进行推理以生成答案。DMN可以进行端到端的训练，并在几种类型的任务和数据集上获得最先进的结果：问答（Facebook的bAbI数据集），情感分析的文本分类（斯坦福情感树库）和词性标记的序列建模（WSJ-PTB）。这些不同任务的训练完全依赖于训练的词向量表示和输入-问题-答案三元组。
2016-03-05 cs.CL cs.LG cs.NE
Automated Sentiment and Hate Speech Analysis of Facebook Data by Employing Multilingual Transformer Models
University College Groningen, University of Groningen（格罗宁根大学学院，格罗宁根大学）；Foundation The London Story（伦敦故事基金会）
近年来，学术界和公共话语中有一个高度的共识，即社交媒体平台（SMP）放大了仇恨和负面情绪内容的传播。研究人员已经确定了仇恨内容，政治宣传和有针对性的信息如何导致现实世界的危害，包括反对民选政府的叛乱，种族灭绝以及由于对世界部分地区某些社区的负面言论加剧而导致的社会凝聚力崩溃。为了解决这些问题，SMP创建了半自动系统，可以帮助识别有毒言论。在本文中，我们分析了一个代表性的Facebook数据集（n= 604，703）中仇恨和负面情绪内容的统计分布，这些数据集通过648个公共Facebook页面被废弃，这些页面将自己确定为极右翼Hindutva演员的支持者（和追随者）。这些页面是通过在Facebook和CrowdTangle上使用关键字搜索手动识别的，并根据页面名称，页面描述和在这些页面上共享的话语被归类为极右翼Hindutva页面。我们采用最先进的开源XLM-T基于转换器的多语言模型，对这些页面上共享的文本内容进行情感和仇恨语音分析，为期5.5年。结果显示了预测情绪和仇恨言论标签的统计分布;顶级演员和顶级页面类别。我们进一步讨论了这些预训练的语言模型的基准性能和局限性。
2023-01-31 cs.CL cs.LG
The Evolution of Sentiment Analysis - A Review of Research Topics, Venues, and Top Cited Papers
University of Oulu（奥卢大学）；University of Stuttgart（斯图加特大学）
情感分析是计算机科学中发展最快的研究领域之一，这使得跟踪该领域中的所有活动变得具有挑战性。我们提出了一个计算机辅助的文献综述，我们利用文本挖掘和定性编码，并分析了6,996篇论文从Scopus。我们发现，情感分析的根源在于20世纪初的舆论分析研究和20世纪90年代计算语言学界的文本主观性分析。然而，基于计算机的情感分析的爆发只是随着网络上主观文本的可用性而发生的。因此，99%的论文是在2004年之后发表的。情感分析论文分散在多个出版地点，前15个地点的论文总数仅代表ca。30%的论文。我们介绍了Google Scholar和Scopus的前20篇被引用论文以及研究主题的分类。近年来，情感分析已经从分析在线产品评论转向分析Twitter和Facebook的社交媒体文本。除了产品评论之外，股票市场、选举、灾难、医学、软件工程和网络欺凌等许多主题都扩展了情感分析的应用
2017-11-21 cs.CL cs.DL cs.SI
Sentiment Analysis on the young people's perception about the mobile Internet costs in Senegal
Polytechnic School (ESP)（波尔多技术学校（ESP））；Gaston Berger University (UGB)（加斯顿-贝尔大学（UGB））；Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
本文针对塞内加尔年轻人对移动互联网成本的感知问题，通过分析其在Twitter和Facebook上的评论并应用情感分析模型，研究他们对移动互联网价格的感受及与感知服务质量的关系。
2025-04-17 cs.CL cs.SI
NepEMO: A Multi-Label Emotion and Sentiment Analysis on Nepali Reddit with Linguistic Insights and Temporal Trends
Department of Computer Science and Application（计算机科学与应用系）；Mechi Multiple Campus, Tribhuvan University（特里布文大学梅奇多校园）；School of Computer Science（计算机科学学院）；Queensland University of Technology（昆士兰理工大学）；Department of Electronics and Computer Engineering（电子与计算机工程系）；Advanced College of Engineering and Management, Tribhuvan University（特里布文大学先进工程与管理学院）；School of Engineering and Technology（工程与技术学院）
NepEMO数据集通过多标签情绪和情感分析，结合语言洞察与时间趋势，提升尼泊尔Reddit帖子的情感识别能力。
2025-12-28 cs.CL
A Labelled Dataset for Sentiment Analysis of Videos on YouTube, TikTok, and Other Sources about the 2024 Outbreak of Measles
Emory University（埃默里大学）
该论文构建了一个包含4011个关于2024年麻疹暴发视频的标注数据集，利用VADER、TextBlob和DistilRoBERTa-base进行情感、主观性和细粒度情感分析，并提出了开放研究问题。
2024-07-18 cs.AI cs.CL cs.CY
Sentiment Index of the Russian Speaking Facebook
Universite catholique de Louvain（鲁汶天主教大学）；Digital Society Laboratory LLC（数字社会实验室有限责任公司）
情绪指数衡量语料库中的平均情绪水平。我们引入了四个这样的指数，并使用它们来衡量平均“积极”的人口在一段时间内的基础上在社交网络中的职位。这篇文章首次提出了一个基于文本而不是基于单词的情感指数。此外，这项研究首次对俄语Facebook的情绪指数进行了大规模研究。我们的结果是一致的，与以前的实验英语。
2018-08-23 cs.CL
COVID-19 Twitter Sentiment Classification Using Hybrid Deep Learning Model Based on Grid Search Methodology
Indian Institute of Information Technology, Nagpur（印度信息技术学院，那格浦尔）；Shri Ramdeobaba College of Engineering & Management, Nagpur（什里·拉姆德奥巴巴工程与管理学院，那格浦尔）；Institute of Engineering and Technology, Devi Ahilya Vishwavidyalaya, Indore（德维·阿希利亚大学工程与技术学院，印多尔）
本文针对 COVID-19 疫苗接种犹豫问题，提出八种基于嵌入、深度学习与网格搜索的混合模型进行 Twitter 情感分类，其中 BERT+CNN+GS 组合准确率达 98.86%，较现有工作提升 2.11% 至 14.46%。
2024-06-11 cs.CL cs.SI
The FLoRes Evaluation Datasets for Low-Resource Machine Translation: Nepali-English and Sinhala-English
Facebook Applied Machine Learning（Facebook应用机器学习）；Facebook AI Research（Facebook人工智能研究院）；Sorbonne Universités（索邦大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
对于机器翻译，世界上绝大多数语言对被认为是低资源的，因为它们几乎没有可用的并行数据。除了在有限监督下学习的技术挑战外，由于缺乏免费和公开的基准，很难评估在低资源语言对上训练的方法。在这项工作中，我们介绍了尼泊尔语-英语和僧伽罗语-英语的FLoRes评估数据集，基于从维基百科翻译的句子。与英语相比，这些语言具有非常不同的词法和语法，对于这些语言，几乎没有域外并行数据，并且相对大量的单语数据可以免费获得。我们描述了我们收集和交叉检查翻译质量的过程，并使用几种学习设置报告了基线性能：完全监督，弱监督，半监督和完全无监督。我们的实验表明，目前最先进的方法在这个基准上表现相当差，对研究低资源MT的研究社区构成了挑战。用于重现我们实验的数据和代码可在https://github.com/facebookresearch/flores上获得。
2019-09-14 cs.CL
Depression detection from Social Media Bangla Text Using Recurrent Neural Networks
University of Maryland Baltimore County（马里兰大学巴尔的摩分校）；Bangladesh University of Engineering & Technology（孟加拉国工程技术大学）；University of Dhaka（达卡大学）；Jahangirnagar University（贾汉吉尔纳加尔大学）；Jagannath University（贾格纳特大学）
本研究针对社交媒体文本中的抑郁症检测问题，对含983条孟加拉语文本的数据集应用NLP预处理与多种特征提取技术，对比LSTM、GRU等分类器效果，助力心理学家识别抑郁情绪以开展干预。
2024-12-08 cs.CL cs.HC cs.LG
Text Classification for Azerbaijani Language Using Machine Learning and Embedding
Khazar University（哈扎尔大学）；University of Tabriz（大不里士大学）
文本分类系统将有助于解决阿塞拜疆语的文本聚类问题。有一些针对外语的文本分类应用程序，但我们试图构建一个新开发的系统来解决阿塞拜疆语的这个问题。首先，我们试图找出潜在的实践领域。该系统将在许多领域发挥作用。它将主要用于新闻提要分类。新闻网站可以自动将新闻分类为体育、商业、教育、科学等类别。该系统还用于产品评论的情感分析。例如，该公司在Facebook上分享了一张新产品的照片，该公司收到了上千条关于新产品的评论。系统将评论分为积极或消极的类别。该系统还可以应用于推荐系统，垃圾邮件过滤等各种机器学习技术，如朴素贝叶斯，SVM，决策树已被设计来解决阿塞拜疆语的文本分类问题。
2019-12-26 cs.CL cs.LG stat.ML
Interpretable Bangla Sarcasm Detection using BERT and Explainable AI
BRAC University（BRAC大学）
具有潜在负面动机的积极短语或句子通常被定义为讽刺，其广泛用于当今的社交媒体平台，例如Facebook、Twitter、Reddit等。近年来，社交媒体平台中的活跃用户急剧增加，这提高了对基于NLP的自动化系统的需求，该系统可以用于各种任务，例如确定市场需求、情感分析、威胁检测、然而，由于讽刺通常意味着相反的含义，并且其检测通常是一个具有挑战性的问题，通过基于NLP的模型的数据含义提取变得更加复杂。因此，在过去的几年里，有很多关于英语中的讽刺检测的研究，并且有明显的改进，但孟加拉语中的讽刺检测仍然是一样的。在本文中，我们提出了一个基于BERT的系统，可以达到99.60\%，而使用传统的机器学习算法只能达到89.93\%。此外，我们还采用了本地可解释的模型不可知的解释，介绍了我们的系统。此外，我们还利用了一个新收集的孟加拉语讽刺数据集，BanglaSarc是专门为评估本研究而构建的。该数据集由讽刺和非讽刺评论的新记录组成，其中大部分来自Facebook和YouTube评论部分。
2023-03-22 cs.AI cs.CL
EmoScan: Automatic Screening of Depression Symptoms in Romanized Sinhala Tweets
Informatics Institute of Technology（信息学技术学院）
本文提出EmoScan框架，利用带注意力层的神经网络分析罗马化僧伽罗语推文，以93.25%的准确率自动筛查抑郁症状，超越现有方法，为数字时代心理健康主动干预提供新途径。
2024-03-28 cs.CL cs.CY cs.LG
Automatic Normalization of Word Variations in Code-Mixed Social Media Text
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）
针对语码混合社交媒体文本的拼写变体问题，提出利用词分布式表示无监督捕捉同上下文词汇变体的归一化方法，可提升词性标注与情感分析任务性能。
2018-04-03 cs.CL
Large Language Models' Accuracy in Emulating Human Experts' Evaluation of Public Sentiments about Heated Tobacco Products on Social Media
Kyung Hee University（庆熙大学）；University of California Davis（加州大学戴维斯分校）
本研究检验了GPT-3.5和GPT-4 Turbo在评估社交媒体上加热烟草产品消息情感时模拟人类专家的准确性，发现GPT-4 Turbo达到约80%准确率，但不同情感类别间存在差异可能导致整体情感歪曲。
2025-01-31 cs.CL cs.CY cs.SI
Voice@SRIB at SemEval-2020 Task 9 and 12: Stacked Ensembling method for Sentiment and Offensiveness detection in Social Media
Samsung R&D Bangalore（三星研发班加罗尔）
在Twitter、Facebook和Reddit等社交媒体平台上，人们更喜欢使用西班牙语-英语、印地语-英语等代码混合语言来表达自己的观点。在本文中，我们描述了我们使用的不同模型，使用外部数据集来训练嵌入，Sentimix和OffensEval任务的集成方法。使用预训练的嵌入通常有助于多个任务，例如句子分类和机器翻译。在这个实验中，我们使用我们训练的代码混合嵌入和twitter预训练的嵌入来完成SemEval任务。我们在数据集上评估我们的模型的宏观F1分数，精确度，准确度和召回率。我们打算表明，超参数调整和数据预处理步骤有助于提高分数。在我们的实验中，我们能够达到0.886 F1-Macro上OffenEval希腊语子任务后评价，而最高的是0.852在评估期间。我们以0.756的最好成绩在西班牙式英语比赛中名列第三。Codalab用户名是asking 28.
2020-10-11 cs.CL cs.LG
Zero- and Few-Shot Prompting with LLMs: A Comparative Study with Fine-tuned Models for Bangla Sentiment Analysis
University of New Brunswick（新不伦瑞克大学）；Daffodil International University（水仙国际大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
本文构建了包含33,606条孟加拉语文本的情感分析数据集，并比较零样本、少样本LLM提示与微调模型，发现单语Transformer模型表现最优。
2024-04-05 cs.CL cs.LG
Large Language Models' Varying Accuracy in Recognizing Risk-Promoting and Health-Supporting Sentiments in Public Health Discourse: The Cases of HPV Vaccination and Heated Tobacco Products
University of California Davis（加利福尼亚大学戴维斯分校）；Kyung Hee University（庆熙大学）；University of Massachusetts Boston（马萨诸塞大学波士顿分校）
本文评估了GPT、Gemini和LLAMA在HPV疫苗接种与加热烟草制品相关社交媒体话语中识别风险促进性与健康支持性情感的准确性，发现模型整体表现良好但受平台、议题和模型类型影响，并指出中性信息检测及训练数据偏差带来的挑战。
2025-07-06 cs.CL cs.SI
BanglaASTE: A Novel Framework for Aspect-Sentiment-Opinion Extraction in Bangla E-commerce Reviews Using Ensemble Deep Learning
Department of Computer Science；Engineering Chittagong University of Engineering；Department of Information Technology Washington University of Science \& Technology 2900 Eisenhower Ave, Alexandria, VA 22314, United States；Department of Information Systems Central Michigan University 1200 S. Franklin St. Mount Pleasant, Mich. 48859
本文提出BanglaASTE框架，通过集成深度学习方法，在孟加拉语电商评论中实现高效的方面-情感-意见三元组提取，提升低资源语言的情感分析能力。
2025-11-26 cs.CL cs.LG
Social Emotion Mining Techniques for Facebook Posts Reaction Prediction
Maastricht University（马斯特里赫特大学）
截至2016年2月，Facebook允许用户通过使用五种所谓的“反应”来表达他们对帖子的体验情绪。本文提出并评估了预测这些反应的公司/公司（如连锁超市）的公共页面上的用户帖子的替代方法。为此，我们从大型连锁超市的Facebook页面上收集了帖子（及其反应），并构建了一个可用于其他研究的数据集。为了预测新帖子的反应分布，使用预训练的词嵌入测试神经网络架构（卷积和递归神经网络）。神经网络的结果得到了改善，通过引入一个自举方法的情绪和情感挖掘的评论为每个职位。最终的模型（神经网络和基线情感挖掘器的组合）能够预测Facebook帖子上的反应分布，均方误差（或错误分类率）为0.135。
2017-12-08 cs.AI cs.CL cs.IR
Weather impacts expressed sentiment
Stanford University（斯坦福大学）；Massachusetts Institute of Technology（麻省理工学院）；Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织（CSIRO））；Monash University（莫纳什大学）；Institute of Electrical and Electronics Engineers（电气与电子工程师协会）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；UC San Diego（加州大学圣地亚哥分校）
我们对气象条件和人类表情之间的关系进行了有史以来最大规模的调查。为此，我们在2009年至2016年期间使用了来自Facebook和Twitter的数千万人的超过35亿条社交媒体帖子。我们发现，寒冷的温度，炎热的温度，降水，较窄的每日温度范围，湿度和云量都与情绪表达的恶化有关，即使排除与天气有关的帖子。我们将我们的估计值与我们数据中发生的显著历史事件相关的效应量进行比较。
2017-08-31 cs.CL stat.AP
ClimateNLP: Analyzing Public Sentiment Towards Climate Change Using Natural Language Processing
Applied NLP Research Lab（应用自然语言处理研究实验室）；School of Digital Sciences（数字科学学院）
本文提出ClimateNLP框架，利用自然语言处理技术及微调模型ClimateBERT分析社交媒体推文，量化公众对气候变化的情感与认知，为政策制定提供数据支持。
2023-10-19 cs.CL
Rapid-Rate: A Framework for Semi-supervised Real-time Sentiment Trend Detection in Unstructured Big Data
University of Waterloo（滑铁卢大学）
像餐馆、服务中心和零售商这样的商业机构有几个关于产品和服务的客户反馈来源，其中大部分不需要像Yelp或亚马逊等服务提供的评级评论那样结构化。例如，亚马逊为产品评论提供了一个细粒度的数字评分。然而，一些来源，如社交媒体（Twitter，Facebook），邮件列表（Google Groups）和论坛（Quora）包含大量的文本数据，但非结构化和未标记。评估这些平台上对其品牌的普遍情绪可能也符合商业机构的最佳利益。该文本可以被流水线传输到具有内置预测模型的系统中，其目的是生成关于意见和情绪趋势的实时的【形】图形。虽然这样的任务，如一个描述已经探讨了在过去的文档分类问题，本文中描述的实现，凭借学习一个连续的函数，而不是一个离散的，提供了很多更深入的洞察力相比，文档分类方法。本研究的目的是探讨这种连续函数预测模型的有效性，以量化的情感对一个实体，没有额外的开销手动标记，计算预处理和特征提取。该研究项目还旨在设计和实现一个可重用的文档回归管道作为框架，Rapid-Rate，可用于实时的【形】预测文档分数。
2017-03-25 cs.CL
YNU-HPCC at SemEval-2020 Task 8: Using a Parallel-Channel Model for Memotion Analysis
近年来，互联网模因在Facebook、Instagram和Twitter等社交媒体平台上越来越普遍，已经成为人们极大兴趣的话题。然而，模因的分类和识别比社会文本复杂得多，因为它涉及视觉线索和语言理解。针对这一问题，提出了一种并行通道模型来处理模因中的文本和视觉信息，并分析模因的情感极性。在识别和分类模因的共同任务中，我们根据社交媒体上的语言行为对数据集进行预处理。然后，我们适应和微调双向编码器表示从Transformers（BERT），和两种类型的卷积神经网络模型（CNN）被用来提取的图片的特征。我们应用了一个集成模型，结合了BiLSTM，BIGRU和Attention模型来执行跨域建议挖掘。官方发布的结果表明，我们的系统性能优于基线算法。我们的团队在子任务A（情绪分类）中获得了第19名。本文的代码可在https://github.com/YuanLi95/Semveal2020-Task8-emotion-analysis上获得。
2020-07-28 cs.CL
Health, Psychosocial, and Social issues emanating from COVID-19 pandemic based on Social Media Comments using Natural Language Processing
Dalhousie University（达尔豪斯大学）；University of Saskatchewan（萨斯喀彻温大学）
COVID-19大流行已造成全球健康危机，影响人类生活的多个方面。在缺乏疫苗和抗病毒药物的情况下，已经实施了一些行为改变和政策措施，例如物理距离，以控制冠状病毒的传播。社交媒体数据可以揭示公众对全球各国政府和卫生机构如何处理大流行病的看法，以及这种疾病对人们的影响，无论他们的地理位置与阻碍或促进全球控制大流行病传播的各种因素一致。本文旨在利用社交媒体数据调查COVID-19大流行对全球人们的影响。我们应用自然语言处理和主题分析，利用社交媒体数据了解公众对COVID-19疫情的意见、体验和问题。首先，我们从Twitter、Facebook、YouTube和三个在线论坛收集了超过4700万条与COVID-19相关的评论。其次，我们执行数据预处理，包括应用NLP技术来清理和准备自动主题提取的数据。第三，我们应用上下文感知的NLP方法从超过100万条随机选择的评论中提取有意义的关键词或主题，并计算每个主题的情感得分，并使用基于词典的技术根据得分分配情感极性。第四，我们将相关主题归类为更广泛的主题。共出现34个负面主题，其中15个为公众视角的健康相关问题、心理社会问题及与COVID-19疫情相关的社会问题。此外，从我们的研究结果中还发现了20个积极的主题。最后，我们建议的干预措施，可以帮助解决基于积极的主题和其他补救的想法植根于研究的负面问题。
2020-07-23 cs.CL cs.IR cs.SI
