Overview of the VLSP 2023 -- ComOM Shared Task: A Data Challenge for Comparative Opinion Mining from Vietnamese Product Reviews
VNU University of Engineering and Technology（越南国家大学工程技术大学）
本文介绍VLSP 2023的ComOM共享任务，旨在推动越南语产品评论比较观点挖掘技术发展，构建了含120篇文档的标注数据集，要求模型提取比较五元组，以宏平均五元组F1值评估参赛模型。
2024-03-04 cs.CL cs.LG
Opinion Mining and Analysis: A survey
RCOEM（拉杰夫·甘地计算机与生物技术学院）；Zadgaonkar Software Pvt. Ltd.（扎德冈卡尔软件私人有限公司）
目前的研究主要集中在意见挖掘领域，也被称为情感分析，因为大量的意见丰富的网络资源，如论坛，评论网站和博客都是以数字形式提供的。产品评论的情感分析中的一个重要问题是基于产品特征生成意见摘要。我们已经调查和分析，在本文中，已经开发的意见挖掘的关键任务的各种技术。在调查和分析的基础上，我们提供了一个开发意见挖掘软件系统所涉及的总体情况。
2013-07-12 cs.CL cs.IR
Beyond Opinion Mining: Summarizing Opinions of Customer Reviews
Google Research（谷歌研究院）；Grammarly；Megagon Labs（Megagon实验室）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在信息时代，客户评论对于做出购买决策至关重要。这样的评论可以被自动总结以向用户提供意见的概览。在本教程中，我们将介绍对研究人员和从业人员有用的意见摘要的各个方面。首先，我们将介绍任务和主要挑战。然后，我们将介绍现有的意见摘要解决方案，包括前神经和神经。我们将讨论如何在无监督、Few-Shot和监督机制下训练总结器。每种机制都源于不同的机器学习方法，例如自动编码、可控文本生成和变分推理。最后，我们将讨论资源和评估方法，并总结未来的发展方向。这三个小时的教程将提供一个全面的概述意见总结的主要进展。听众将拥有对研究和实际应用都有用的知识。
2022-06-03 cs.AI cs.CL cs.LG
Robopinion: Opinion Mining Framework Inspired by Autonomous Robot Navigation
Mansoura University（曼苏拉大学）
自主机器人使用数据关联方法来找到当前地标和新的一组观察到的特征之间的匹配。我们寻求一个意见挖掘的框架，以受益于自主机器人导航研究和开发的进步
2012-09-03 cs.CL cs.IR
Jointly identifying opinion mining elements and fuzzy measurement of opinion intensity to analyze product features
University Lumière Lyon 2（里昂第二大学）；Qatar University（卡塔尔大学）
意见挖掘主要涉及三个要素：特征和特征-关系、意见表达和相关的意见属性（如极性）以及特征-意见关系。虽然已有许多研究成果来实现其获取信息的目的，但以往的研究通常孤立地处理这三个要素，无法给出充分的信息抽取结果，从而增加了信息抽取的复杂度和运行时间。本文提出了一种意见挖掘提取算法来联合发现主要的意见挖掘元素。具体而言，该算法自动构建内核，紧密相关的词结合成新的条款，从词级到短语级的依赖关系的基础上，我们确保的准确性的意见表达和极性的基础上：模糊测量，意见程度增强，意见模式。对3458篇评论的分析表明，该算法可以有效地同时识别主要元素，并且优于基线方法。该算法可用于同类产品中异构产品的特征分析。逐个功能的比较可以帮助选择较弱的功能，并从产品的开始生命周期推荐正确的规格。从这个比较中，我们发现了一些有趣的现象。例如，视频维度的负极性高于产品可用性维度。然而，提高产品的可用性维度可以更有效地改善产品（C）2015爱思唯尔有限公司保留所有权利。
2018-11-13 cs.CL
Opinion Mining Using Population-tuned Generative Language Models
Eindhoven University of Technology（埃因霍温理工大学）；Philips Research（飞利浦研究院）；Maastricht University（马斯特里赫特大学）
本文提出一种利用群体调优生成式语言模型从文本中挖掘意见的方法，通过微调预训练模型并保持极化比例，实现意见洞察的规模化发现。
2023-07-24 cs.AI cs.CL
Arabic Opinion Mining Using a Hybrid Recommender System Approach
Ferhat Abbas University（费尔哈特·阿巴斯大学）；King Saud University（沙特国王大学）
推荐系统在向用户提供服务和信息方面发挥着重要作用。情感分析（也称为意见挖掘）是确定文本意见的态度的过程，无论它们是积极的，消极的还是中立的。数据稀疏性是推荐系统的一个大问题，因为用户评分不足或缺乏关于用户或项目的数据。本研究提出一种结合情感分析与推荐系统的混合方法，利用文本挖掘与自然语言处理技术预测用户评论中产品的评分，以解决数据稀疏性问题。这项研究特别关注阿拉伯语评论，使用阿拉伯语意见语料库（OCA）数据集对模型进行评估。我们的系统是高效的，它在预测评论评级方面显示出近85%的准确率
2020-09-16 cs.CL
Opinion Mining on Non-English Short Text
Florida State University（佛罗里达州立大学）
随着此类场所的类型和数量的增加，文本资源上的情感自动分析已成为一项必不可少的数据采掘任务。在本文中，我们研究了非正式短文本收集的意见挖掘问题。文本的积极和消极的情感强度检测。我们专注于一种非英语语言，它几乎没有用于文本挖掘的资源。这种方法将有助于增强在不存在固执己见词列表的语言中的情感分析。提出了一种新的方法，根据文本的情感强度，将文本投影到密集的低维特征向量中。我们在多变量尺度上检测积极和消极情绪的混合物。土耳其推文的实证评估表明，我们的方法得到了很好的结果意见挖掘的建议框架。
2017-04-04 cs.CL cs.IR
Confirmatory Aspect-based Opinion Mining Processes
Yonsei University（延世大学）；University of Florida（佛罗里达大学）；California State University, Chico（加州州立大学奇科分校）；Iowa State University（爱荷华州立大学）
提出了一种新的意见提取方法来总结非结构化的、用户生成的内容（即，在线客户评论）。为了区分当前的方法从其他意见提取方法，这是经常暴露于稀疏性问题和缺乏情感分数，一个验证性的方面为基础的意见挖掘框架，以及其实用的算法称为DiSSBUS。在该过程中，1）每个客户评论被分解成一组子句; 2）每个子句被使用词性（POS）标记器总结为双术语-主题词和评价词;以及3）每个双术语与与特定领域相关的预先指定的主题相匹配。与现有方法相比，所提出的过程具有两个主要优点：1）它们可以将单个评论分解为与感兴趣领域中的预先指定的主题相关的一组双术语，因此，2）允许通过双术语组内的评价词来识别评论者对主题的意见。将所提出的基于方面的意见挖掘应用于夏威夷餐厅的顾客评论，从TripAdvisor获得的实证结果验证了该方法的有效性。关键词：基于子句的情感分析，客户评论，意见挖掘，主题建模，用户生成内容。
2019-07-30 cs.CL
Sentiment Analysis Using Collaborated Opinion Mining
Bhagwan Parshuram Institute of Technology（巴格万·帕舒拉姆理工学院）
随着万维网和互联网的普及，意见挖掘和情感分析成为一个新兴的研究领域。观点是指从原始的、庞大的数据中提取出表达观点的句子或短语。另一方面，情感分析识别所提取的意见的极性。在本文中，我们提出了情感分析与意见提取，总结，并跟踪记录的学生。本文对现有的算法进行了改进，以获取学生的合作意见。由此产生的意见表示为非常高、高、中等、低和非常低。本文是基于一个案例研究，教师给他们的意见，学生和通过应用所提出的情感分析算法的意见提取和表示。
2014-01-12 cs.CL cs.IR
XAI-enhanced Comparative Opinion Mining via Aspect-based Scoring and Semantic Reasoning
VNU University of Engineering（越南工程大学）；Singapore Management University（新加坡管理大学）；Centre Hospitalier Universitaire Vaudois（瓦乌多大学医院）；University of Lausanne（洛桑大学）
本文提出XCom模型，通过基于方面的评分和语义推理提升比较性意见挖掘的可解释性与性能。
2026-03-01 cs.CL
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
Review Mining for Feature Based Opinion Summarization and Visualization
Jamia Millia Islamia（贾米亚·米利亚伊斯兰大学）
意见挖掘技术在商业智能、产品推荐、目标营销等领域的应用和使用引起了国内外学者的广泛关注。各种研究工作试图从不同粒度级别的客户评论中挖掘意见，包括单词，句子和文档级别。然而，开发一个全自动的意见挖掘和情感分析系统仍然是难以捉摸的。虽然意见挖掘和情感分析系统的发展势头越来越猛，但它们中的大多数都试图执行文档级的情感分析，将评论文档分类为积极的、消极的或中性的。这样的文档级意见挖掘方法无法提供关于用户对产品或服务的个体特征的情感的洞察。因此，如果评论可以在更细粒度的级别上进行处理，并通过一些视觉手段以摘要的形式呈现，突出产品的个人特征和用户对其表达的情感，似乎对客户和制造商都有很大的帮助。在本文中，一个统一的意见挖掘和情感分析框架的设计，提出了在机器学习和自然语言处理方法的交叉点。此外，提出了一种新的特征级审查摘要方案的设计，以可视化挖掘的功能，意见和他们的极性值在一个可理解的方式。
2015-04-23 cs.CL cs.IR
Opinion Mining In Hindi Language: A Survey
Banasthali Vidyapith（巴纳斯塔利大学）
意见在人类生活中非常重要。这些意见帮助人类执行决策。随着Web的影响力日益增强，Web文档可以被看作是人类新的意见来源。Web包含了用户通过博客、论坛条目和社交网站等产生的大量信息，为了分析这些大量的信息，需要开发一种方法来自动分类Web上可用的信息。这个领域被称为情感分析和意见挖掘。意见挖掘或情感分析是一项自然语言处理任务，它从评论、新闻和博客等各种文本形式中挖掘信息，并根据其极性将其分类为积极、消极或中性。但是，从过去几年来，在网络上看到了印地语的巨大增长。意见挖掘的研究主要是在英语语言中进行的，但在印地语中进行意见挖掘也是非常重要的，因为印地语中的大量信息也可以在Web上获得。本文简要介绍了印地文的研究工作。
2014-04-19 cs.CL cs.IR
Opinion Mining on Offshore Wind Energy for Environmental Engineering
Montclair State University（蒙特克莱尔州立大学）
本文采用TextBlob、VADER和SentiWordNet三种机器学习模型对社交媒体数据进行情感分析，研究大众对海上风能的意见，并利用NLP技术与数据可视化工具展示结果，以支持智能治理与决策。
2024-09-22 cs.AI cs.CL cs.LG
Opinion mining of movie reviews at document level
Banasthali Vidyapith（巴纳斯塔利大学）
整个世界都在迅速变化，使用当前的技术，互联网成为每个人的基本需求。Web应用于各个领域。大多数人使用网络的一个共同的目的，如网上购物，聊天等，在网上购物大量的评论/意见是由用户，反映产品是好还是坏。这些审查需要加以探讨、分析和组织，以便更好地作出决策。意见挖掘是一个自然语言处理任务，它处理的是在一段文本中发现关于某个主题的意见倾向。本文提出了一个基于文档的意见挖掘系统，该系统将文档分为正面、负面和中性三类。在所提出的系统中也处理否定。使用电影评论的实验结果表明了该系统的有效性。
2014-08-17 cs.CL cs.IR
Over a Decade of Social Opinion Mining: A Systematic Review
ADAPT Centre（ADAPT中心）；Dublin City University（都柏林城市大学）
社交媒体的受欢迎程度和重要性正在增加，因为人们使用它进行多种渠道的各种类型的社交互动。这篇系统性的综述集中在不断发展的社会意见挖掘研究领域，其任务是从用户生成的内容中识别多个意见维度，如主观性，情感极性，情感，影响，讽刺和讽刺，这些内容在多个社交媒体平台和各种媒体格式中表示，如文本，图像，视频和音频。通过社会意见挖掘，自然语言可以被理解为不同的意见方面，由人类表达。这有助于人工智能的发展，反过来又有助于推动几个现实世界的用例，如客户服务和决策。对社会意见挖掘研究进行了全面系统的回顾，该研究共发表了485项研究，时间跨度为2007年至2018年的12年。深入分析的重点是社交媒体平台，技术，社交数据集，语言，模态，工具和技术，以及其他方面的衍生。社会意见挖掘可以用于许多应用领域，从市场营销，广告和销售产品/服务管理，并在多个领域和行业，如政治，技术，金融，医疗保健，体育和政府。2018年以后社会意见挖掘的最新发展也与未来的研究方向一起提出，目的是在几个现实世界的应用中留下更广泛的学术和社会影响。
2021-07-06 cs.AI cs.CL
Using Entity Relations for Opinion Mining of Vietnamese Comments
HoChiMinh City University of Technology（胡志明市工业大学）；Lac Hong University（乐鸿大学）
在本文中，我们提出了几种新的技术来提取和挖掘意见的越南评论的客户对一些产品在越南的电子商务交易。该评估基于客户对特定产品（如手机和笔记本电脑）的情绪水平。我们利用这些产品的特点，因为他们是非常感兴趣的客户，并有许多产品在越南电子商务市场。由此，可以了解客户对开发产品的喜好。
2019-05-16 cs.CL
Fine-grained Financial Opinion Mining: A Survey and Research Agenda
National Taiwan University（国立台湾大学）；National Chengchi University（国立政治大学）；MOST Joint Research Center for AI Technology and All Vista Healthcare（科技部人工智能技术与全视野医疗联合研究中心）
意见挖掘是当前许多领域的研究热点。然而，在金融领域，它仍处于早期阶段。关于这个主题的大多数研究只集中在粗粒度的市场情感分析上，即，2-看涨/看跌的方式分类。近年来，随着金融科技（FinTech）的发展，一些跨学科的研究者开始对投资者的观点进行深入分析。在这份立场文件中，我们首先从粗粒度和细粒度的角度定义财务意见，然后概述已经处理的问题。除了列出现有课题的研究问题外，本文还进一步提出了细粒度财务意见挖掘的未来研究路线图，并指出了尚待探索的几个挑战。此外，我们提供了可能的方向来处理所提出的研究问题。
2020-05-20 cs.CL cs.SI
Analysis of the Evolution of Advanced Transformer-Based Language Models: Experiments on Opinion Mining
LYRICA Laboratory（LYRICA实验室）；School of Information Sciences（信息科学学院）
本文通过实验分析先进Transformer语言模型在观点挖掘中的表现，并进行高层次比较，为工程师选型和研究者后续方向提供指导。
2023-08-07 cs.AI cs.CL cs.LG
Sentiment analysis and opinion mining on educational data: A survey
University of Southern Queensland（南昆士兰大学）；Lingnan University（岭南大学）
情感分析又名意见挖掘是最广泛使用的NLP应用程序之一，用于从评论中识别人类意图。在教育部门，意见挖掘被用来听取学生的意见，并从教学上加强他们的学习和教学实践。随着情感注释技术和人工智能方法的进步，学生评论可以在没有太多人为干预的情况下标记他们的情感取向。在这篇评论文章中，（1）我们从四个层面考虑情感分析在教育中的作用：文档级、句子级、实体级和方面级，（2）探索了情感注释技术，包括用于无监督注释的基于词典和基于语料库的方法，（3）讨论了AI在情感分析中的作用，包括机器学习、深度学习和Transformers，（4）提出情感分析对教育程序的影响，以提高教学、决策和评价。教育机构已经广泛投资于建立情感分析工具，并处理学生的反馈，以得出他们的意见和见解。本研究回顾了基于学生反馈的情感分析的应用。探讨了情感分析中的挑战，如多极化、多义、否定词和垃圾意见检测，并讨论了它们在研究领域的发展趋势。最后讨论了情感分析在教育领域的发展方向。
2023-02-08 cs.CL
Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election
University of South Carolina（南卡罗来纳大学）；Auburn University at Montgomery（奥本大学蒙哥马利分校）
民意调查一直是选举中民意和政客之间的桥梁。然而，开展调查以揭示人们对经济问题的反馈是有限的，昂贵的，耗时的。近年来，Twitter等社交媒体使人们能够分享他们对选举的看法。社交媒体为收集大量社交媒体数据提供了平台。本文提出了一种计算民意挖掘方法，探讨在选举期间的社会媒体上的经济问题的讨论。目前的相关研究都是单独使用文本挖掘方法进行选举分析和选举预测，本研究结合了情感分析和主题建模两种文本挖掘方法。所提出的方法已经有效地部署在数百万条推文上，以分析2012年美国总统大选期间人们的经济问题。
2018-02-06 cs.CL cs.IR cs.SI
ARAACOM: ARAbic Algerian Corpus for Opinion Mining
Université de Khenchela（肯切拉大学）；Université de Constantine 2（康斯坦丁第二大学）；Université de Poitiers（普瓦捷大学）
如今，不再需要付出巨大的努力，将大量的表格分发给成千上万的人并收集它们，然后将其转换为电子格式以跟踪人们对某些主题的意见。今天，许多网站可以用更少的努力达到很大的范围。大多数网站建议他们的访问者留下关于他们对网站或事件的感觉的备份。因此，这为我们提供了大量的数据，需要强大的手段来利用。网络中的意见挖掘变得越来越有吸引力的任务，由于个人和社会越来越需要跟踪人们对日常生活中的几个主题（体育，政治，电视等）的情绪。很多观点挖掘的著作都是用西方语言特别是英语写成的，阿拉伯语的著作还很少见。在本文中，我们提出了我们的方法，在阿拉伯语阿尔及利亚报纸的意见挖掘。$\bullet$信息系统~情感分析$\bullet$计算方法学~自然语言处理
2020-01-22 cs.CL cs.IR
Helping users discover perspectives: Enhancing opinion mining with joint topic models
TU Delft（代尔夫特理工大学）
支持或反对一个有争议的主张，如堕胎应该合法，可能有不同的潜在原因，我们称之为观点。本文探讨了如何通过联合主题建模来增强意见挖掘，以识别主题中的不同观点，从非结构化文本中提供信息丰富的概述。我们评估四个联合主题模型（TAM，JST，VODUM和LAM）在用户研究中评估人类可理解性的提取的观点。基于结果，我们得出结论，联合主题模型，如TAM可以发现的观点，符合人类的判断。此外，我们的研究结果表明，用户在解释主题模型的输出时，不会受到他们对堕胎主题的预先存在的立场的影响。
2021-04-28 cs.CL
Opinion mining of text documents written in Macedonian language
Macedonian Academy of Sciences and Arts（马其顿科学与艺术学院）；Ss. Cyril and Methodius University（圣基里尔与美多德大学）；University of California at San Diego（加州大学圣地亚哥分校）
从审查网站、社交网络和博客等门户网站提取公众意见的能力将使公司和个人能够形成一种观点、一种态度并作出决定，而不必进行冗长和昂贵的研究和调查。在本文中，机器学习技术用于确定的极性kajgana这是写在马其顿语的论坛帖子。这些职位分为积极、消极或中立三类。我们测试了不同的特征度量和分类器，并对它们在提高手动生成的数据集的整体性能方面的参与进行了详细的评估。通过达到92%的准确率，我们表明，自动化意见挖掘系统的性能与人类评估人员相当，从而使其成为文本数据分析的可行选择。最后，我们提出了一些统计数据来自使用开发的系统的论坛帖子。
2014-11-17 cs.CL
Investigating label suggestions for opinion mining in German Covid-19 social media
Technical University of Darmstadt（达姆施塔特工业大学）；Johannes Gutenberg-University Mainz（美因茨约翰内斯·古腾堡大学）
这项工作研究了使用交互式更新的标签建议，以提高在德国Covid-19社交媒体数据的意见挖掘任务中收集注释的效率。我们制定了指导方针，对社会科学专业的学生进行了一项受控的注释研究，发现与没有收到任何标签建议的学生相比，在一个小型的专家注释数据集上训练的模型的建议已经导致了实质性的改善-在注释者之间的一致性（+.14 Fleiss的$κ$）和注释质量方面。我们进一步发现，来自交互式训练模型的标签建议不会导致静态模型建议的改进。尽管如此，我们对建议偏见的分析表明，注释者仍然能够反映建议的标签。最后，我们在不同注释者组之间的迁移学习实验中确认了注释数据的质量。为了促进对社交媒体数据的意见挖掘的进一步研究，我们发布了我们收集的数据，包括200个专家和2，785个学生注释。
2021-06-08 cs.CL
A Multi-modal Approach to Fine-grained Opinion Mining on Video Reviews
The University of Tokyo（东京大学）；Australian National University（澳大利亚国立大学）
尽管最近的进步，意见挖掘的书面评论，很少有作品已经解决了这个问题的其他来源的评论。鉴于这个问题，我们提出了一种多模式的方法，用于从视频评论中挖掘细粒度的意见，该方法能够确定正在讨论的审查中的项目的各个方面以及对它们的情感取向。我们的方法在句子级别工作，而不需要时间注释，并使用来自其内容的音频，视频和语言转换的功能。我们在两个数据集上评估了我们的方法，并表明利用视频和音频模态始终提供比纯文本基线更高的性能，证明这些额外的模态是更好地理解视频评论的关键。
2020-05-28 cs.CL cs.CV
From the Token to the Review: A Hierarchical Multimodal approach to Opinion Mining
Télécom ParisTech（巴黎高等电信学院）；Université Paris Saclay（巴黎萨克雷大学）；IBM GBS France（IBM全球商业服务法国公司）
预测细粒度的用户意见的基础上自发的口头语言的任务是一个关键的问题，出现在计算代理的发展，以及在社会网络为基础的意见矿工的发展。不幸的是，收集可靠的数据来训练模型是非常困难的，现有的工作只依赖于粗略标记的意见。在这项工作中，我们的目标是弥合差距分离细粒度的意见模型已经开发的书面语言和粗粒度的模型开发的自发多模态意见挖掘。我们利用意见的隐式层次结构，建立一个联合的细粒度和粗粒度的意见模型，利用不同的意见表达。由此产生的模型与基于注意力的模型共享一些属性，并在最近发布的多模态细粒度注释语料库上显示出具有竞争力的结果。
2019-09-10 cs.AI cs.CL cs.IR
Framework for Opinion Mining Approach to Augment Education System Performance
Thapar Institute of Engineering and Technology（塔帕尔工程技术学院）
社交网站的广泛扩张和增长使人们能够在互联网上与同龄人自由地分享他们的观点和经验。因此，每天都会产生大量的数据，这些数据可以用于意见挖掘，以提取特定领域的人们的观点。意见挖掘在旅游、政治、教育和娱乐等领域有着广泛的应用，但在教育系统中还没有得到广泛的应用。本文论述了现行考试制度的弊端。在目前的情况下，意见挖掘被广泛用于决策制定。本文作者设计了一个框架，通过应用朴素贝叶斯方法的教育数据集。朴素贝叶斯方法的各个阶段包括三个步骤：将数据转换为频率表，对数据集进行分类，并应用朴素贝叶斯算法方程计算类的概率。最后，概率最高的类别是这个预测的结果。这些预测用于改进教育系统，并帮助提供更好的教育。
2018-06-25 cs.CL cs.IR
Replication issues in syntax-based aspect extraction for opinion mining
The University of Tokyo（东京大学）
再现实验是验证先前工作和建立在现有方法基础上的重要工具。它在不同的科学领域已经被处理过无数次。在本文中，我们介绍了一个经验的可复制性研究三个著名的算法为中心的句法方面为基础的意见挖掘。我们表明，再现结果仍然是一个困难的努力，主要是由于缺乏有关预处理和参数设置的细节，以及由于没有可用的实现，澄清这些细节。我们认为这些是对该领域研究有效性的重要威胁，特别是与NLP中的其他问题相比，公共数据集和代码可用性是关键的有效性组件。最后，我们鼓励基于代码的研究，我们认为这在帮助研究人员更好地理解最先进技术的意义和不断取得进展方面发挥着关键作用。
2017-01-06 cs.CL
A Knowledge-Driven Approach to Classifying Object and Attribute Coreferences in Opinion Mining
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Amazon AI（亚马逊人工智能）
分类和解析对象的共指（例如，产品名称）和属性（例如，产品方面）对于提高意见挖掘性能是至关重要的。然而，这项任务是具有挑战性的，因为人们经常需要考虑特定领域的知识（例如，iPad是一款平板电脑，具有方面分辨率），以识别固执己见的评论中的共指。此外，为每个领域编译一个手工制作和策划的特定领域知识库是非常耗时和艰巨的。本文提出了一种自动挖掘和利用特定领域知识对对象和属性共指进行分类的方法。该方法从未标记的评论数据中提取特定领域的知识，并训练知识感知神经共指分类模型，以利用（有用的）领域知识和一般常识知识来完成任务。在涉及五个领域（产品类型）的真实数据集上的实验评估表明了该方法的有效性。
2021-07-17 cs.AI cs.CL
Architecture of Text Mining Application in Analyzing Public Sentiments of West Java Governor Election using Naive Bayes Classification
Amikom Yogyakarta University（阿米孔日惹大学）；Gunadarma University（古纳达玛大学）
西爪哇省省长的选举是一个吸引公众注意力的事件，社交媒体用户也不例外。公众对未来地区领导人的看法有助于预测选民的可当选性和倾向。意见挖掘过程可以使用的数据可以从Twitter获得。由于数据是非常多样的形式和非常非结构化的，它必须使用数据预处理技术进行管理和不知情的半结构化数据。这种半结构化的信息之后是分类阶段，将意见分类为消极或积极的意见。研究方法论采用文献研究，研究将检查以前对类似主题的研究。本研究的目的是要找出适当的架构，将其发展成twitter意见探勘的应用，以了解西爪哇省省长选举的民意。本文的研究结果表明，Twitter意见挖掘是文本挖掘的一部分，Twitter中的意见要想被分类，首先要经过文本预处理阶段。twitter数据所需的预处理步骤是清理，大小写折叠，POS标记和词干分析。由此产生的文本挖掘架构是一个架构，可用于不同主题的文本挖掘研究。
2018-09-20 cs.CL cs.CY cs.IR
Mining fine-grained opinions on closed captions of YouTube videos with an attention-RNN
The University of Tokyo（东京大学）
视频评论是书面产品评论的自然演变。在本文中，我们针对这一现象，并介绍了从YouTube产品评论视频的隐藏字幕创建的第一个数据集，以及用于方面提取和联合方面提取和情感分类的新的注意力-RNN模型。我们的模型在方面提取上提供了最先进的性能，而不需要在SemEval ABSA语料库上使用手工制作的功能，同时它在联合任务上的性能优于基线。在我们的数据集中，注意力-RNN模型在这两项任务中的表现都优于基线，但与SemEval相比，我们观察到所有模型的性能都有重要下降。这些结果，以及进一步的实验方面提取领域自适应，语音和书面文本之间的差异，这已经在文献中广泛讨论，也延伸到产品评论领域，在那里他们是相关的细粒度的意见挖掘。
2017-08-08 cs.CL
Leveraging Foreign Language Labeled Data for Aspect-Based Opinion Mining
Posts and Telecommunications Institute of Technology（越南邮电技术学院）
基于方面的观点挖掘是在观点文本的方面层次上识别情感的任务，它包括两个子任务：方面类别提取和情感极性分类。虽然方面类别提取的目的是检测和分类的意见目标，如产品特征，情感极性分类分配一个情感标签，即积极的，消极的，或中性的，每个识别的方面。监督学习方法已被证明可以为这项任务提供更好的准确性，但它们需要标记的数据，这是昂贵的，特别是对于资源贫乏的语言，如越南语。为了解决这个问题，我们提出了一个监督方面为基础的意见挖掘方法，利用标记的数据从外语（英语在这种情况下），这是翻译成越南语的自动翻译工具（谷歌翻译）。由于不同语言中的方面和观点可能由不同的词来表达，因此我们提出使用词嵌入以及其他特征来减少原文和译文之间的词汇差异，从而提高方面类别提取和情感极性分类过程的有效性。我们还介绍了一个注释语料库的方面类别和情感极性提取的餐馆评论在越南，并进行了一系列的实验语料库。实验结果证明了该方法的有效性。
2020-03-15 cs.AI cs.CL cs.IR
pysentimiento: A Python Toolkit for Opinion Mining and Social NLP tasks
Instituto de Ciencias de la Computación, CONICET, Universidad de Buenos Aires（布宜诺斯艾利斯大学 CONICET 计算机科学研究所）；Facultad de Astronomía, Matemática y Física, Universidad Nacional de Córdoba（科尔多瓦国立大学天文、数学与物理学院）；IIIA-CSIC（西班牙国家研究委员会人工智能研究所）
针对现有社交NLP前沿工具依赖商业API、多语言支持不足、使用门槛高的问题，研究人员推出开源多语言Python工具包pysentimiento，集成西、英、意、葡四种语言的前沿模型，还完成了多任务多数据集的性能及公平性评估。
2024-07-13 cs.CL
A multimodal movie review corpus for fine-grained opinion mining
Télécom Paris, Université Paris-Saclay（巴黎高等电信学校，巴黎-萨克雷大学）
在本文中，我们为由1000个视频组成的POM电影评论数据集引入了一组观点注释。注释活动的动机是发展一个分层的意见预测框架，允许人们预测意见的不同组成部分（例如极性和方面），并确定相应的文本跨度。由此产生的注释已经收集在两个粒度级别：一个粗糙的（固执己见的跨度）和一个更精细的（意见组件的跨度）。我们引入特定的类别，以使电影评论的意见更容易注释。例如，某些类别允许在电影评论中发现用户推荐和偏好。我们提供了一个定量分析的注释和报告的注释者之间的协议下的不同级别的粒度。因此，我们提供了第一组地面实况注释，可用于细粒度多模态意见预测的任务。我们提供了一个分析的数据收集，通过一个inter-annotator的研究，并表明，一个线性结构化的预测学习有意义的功能，即使是对稀缺的标签的预测。注释和基线系统都是公开的。https://github.com/eusip/POM/
2021-04-29 cs.CL cs.MM
Comparative Opinion Mining in Product Reviews: Multi-perspective Prompt-based Learning
Faculty of Information Technology VNU - University of Engineering
针对产品评论比较观点挖掘中传统方法存在串行误差、语言表达细微难处理的问题，提出基于多视角提示学习的端到端MTP-COQE模型，搭配限创策略与数据增强，在中英文数据集上取得优于基线的表现。
2024-12-11 cs.CL
Analysis of opinionated text for opinion mining
Government Engineering College, Hassan（哈桑政府工程学院）
在情感分析中，确定对对象/特征表达的意见的极性，以评估句子或文档的情感是积极的/消极的/中性的。自然地，对象/特征是名词表示，其指的是产品或产品的组件，让我们说，相机中的“镜头”和在其上发出的意见被捕获在形容词、动词、副词和名词词本身中。除了这些词，其他元信息和各种有效特征也将在影响情感极性方面发挥重要作用，并对系统的性能做出显着贡献。在本文中，一些相关的信息/元数据的情感文本进行了探索和研究。基于这里提出的分析结果，有进一步的评估和利用的元信息的文本分类，排名文本文件，识别垃圾邮件的文件和极性分类问题的功能的范围。
2016-07-14 cs.AI cs.CL cs.IR
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
Learning from students' perception on professors through opinion mining
Laboratorios de Investigación en Inteligencia Artificial y Computación de Alto Desempeño, Analista（Analista人工智能与高性能计算研究实验室）；Fundación Universitaria Konrad Lorenz（康拉德·洛伦兹大学基金会）
通过学生对教学调查的意见来衡量学生对课程的看法，可以发现环境和学习方法方面的不足和问题。本文的目的是研究，通过情感分析，使用自然语言处理（NLP）和机器学习（ML）技术，这些意见，以确定主题是相关的学生，以及通过极性分析预测相关联的情绪。因此，它是实施，训练和测试两种算法来预测相关的情绪以及这些意见的相关主题。这两种方法的组合，然后变得有用，以确定与每个情绪标签（积极，消极或中立的意见）和主题相关联的学生的意见的具体属性。此外，我们探索的可能性，学生的感知调查进行没有封闭的问题，依靠学生可以通过开放式问题，他们表达自己的意见，他们的类提供的信息。
2020-08-25 cs.CL cs.CY cs.NA
Sentiment Analysis: A Survey
University at Buffalo（布法罗大学）
情感分析（也称为意见挖掘）是指利用自然语言处理、文本分析和计算语言学等方法，识别和提取源材料中的主观信息。挖掘用户生成内容中表达的意见是一个具有挑战性但实际上非常有用的问题。本调查将涵盖一般情感分析和意见挖掘中使用的各种方法和方法。重点将是互联网文本一样，产品评论，推文和其他社会媒体。
2014-05-11 cs.CL cs.IR
Earthquake Impact Analysis Based on Text Mining and Social Media Analytics
Tsinghua University（清华大学）
地震对广大地区有着深刻的影响，紧急救援行动可能会受益于有关灾害范围和程度的社交媒体信息。因此，这项工作提出了一种基于文本挖掘的方法来收集和分析早期地震影响分析的社交媒体数据。首先，基于爬虫技术从新浪微博中收集灾害相关微博。然后，对数据进行清洗，进行一系列分析，包括（1）热词分析，（2）微博数量趋势分析，（3）舆情趋势分析，（4）基于关键词和规则的文本分类地震影响分析。最后，分析了中国最近两次震级和震源深度相同的地震，比较了它们的影响。研究结果表明，舆情趋势分析和舆情情绪变化趋势可以对地震社会影响进行早期评估，有助于决策和救援管理。
2022-12-12 cs.CL cs.LG cs.SI
SocialVisTUM: An Interactive Visualization Toolkit for Correlated Neural Topic Models on Social Media Opinion Mining
Max Planck Institute for Innovation and Competition（马克斯·普朗克创新与竞争研究所）；Technical University of Munich（慕尼黑工业大学）；inovex GmbH（inovex有限公司）
提出交互式可视化工具包SocialVisTUM，用于在社交媒体意见挖掘中展示相关神经主题模型，以图形式呈现主题及关联，并支持大规模文本探索，在有机食品消费数据上验证了其有效性。
2023-07-24 cs.CL
Opinion mining using Double Channel CNN for Recommender System
Kharazmi University（卡拉兹米大学）；Islamic Azad University（伊斯兰阿扎德大学）
提出融合双通道 CNN 观点挖掘、SMOTE 平衡、方面聚类与张量分解加权的推荐方法，情感分析准确率达 91.6%。
2023-07-15 cs.CL cs.IR
Aspect-Sentiment Embeddings for Company Profiling and Employee Opinion Mining
Accenture（埃森哲）；National University of Singapore（新加坡国立大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Indian Institute of Science（印度科学研究所）；Nanyang Technological University（南洋理工大学）
随着众多的公司和组织比比皆是今天，排名他们和选择一个出许多是一个困难和繁琐的任务。虽然有许多可用的指标，排名公司，有一个内在的需要，一个通用的指标，考虑到不同的方面，构成员工的意见，公司。在这项工作中，我们的目标是通过研究可靠的员工评论来为公司生成基于方面情感的嵌入，从而克服上述问题。我们从著名网站Glassdoor.com创建了一个全面的公司评论数据集，并采用了一种新颖的集成方法来执行方面级的情感分析。尽管已经对以电影、音乐等主题为中心的评论做了大量的工作，这项工作是第一次这样做。我们还从整理的嵌入中提供了一些见解，从而帮助用户更好地了解他们的选择，并使用自定义偏好选择公司。
2019-02-22 cs.CL
Online shopping behavior study based on multi-granularity opinion mining: China vs. America
Nanjing University of Science and Technology（南京理工大学）；Alibaba Research Center for Complex Sciences, Hangzhou Normal University（杭州师范大学阿里巴巴复杂科学研究中心）；Hangzhou Normal University（杭州师范大学）；Jiangsu Key Laboratory of Data Engineering and Knowledge Service, Nanjing University（南京大学江苏省数据工程与知识服务重点实验室）；Nanjing University（南京大学）
随着电子商务的发展，许多产品现在正在全球范围内销售，制造商渴望更好地了解各个地区的客户行为。为了实现这一目标，以前的大多数努力主要集中在问卷调查上，这既费时又费钱。电子商务网站上大量的产品评论已经出现了一种新的趋势，即制造商试图通过分析在线评论来了解用户的偏好。根据这一趋势，本文解决了利用最近发展的意见挖掘技术研究客户行为的问题。这部作品之所以新颖，有三个原因。首先，通过采用基于模板的问题生成和基于意见挖掘的答案提取的算法，自动启用基于问卷的调查。使用该系统，制造商能够获得具有更大样本量、更直接信息、更高自动化程度和更低成本的客户行为报告。第二，通过集成多语言意见挖掘工具，使国际客户行为研究变得更加容易。第三，这是首次进行自动问卷调查，以比较中国和美国的客户行为，其中产品评论分别用中文和英文撰写和阅读。我们对数码相机、智能手机和平板电脑的研究得出了三个发现。首先，中国消费者遵循中庸之道，经常使用委婉的表达方式，而美国消费者更直接地表达他们的意见。其次，中国客户更在意总体感受，而美国客户更注重产品细节。第三，中国消费者关注产品的外部特征，而美国消费者更关注产品的内部特征。
2016-03-26 cs.CL cs.CY cs.HC
Opinion Mining in Online Reviews About Distance Education Programs
CITEC Bielefeld University（比勒费尔德大学CITEC）；Semalytix（Semalytix公司）；Online Akademie（在线学院）；IMS Uni Stuttgart（斯图加特大学IMS）
远程教育项目的普及正在快速增长。与此同时，学生之间在论坛、社交媒体和复习平台上的在线交流也在增加。利用这些信息来支持同学或机构需要提取相关的意见，以便自动生成报告，提供不同远程教育计划的利弊概述。我们报告的实验涉及远程教育专家的目标是开发一个数据集的评论注释相关的类别和方面，在每个类别中讨论的具体审查连同情绪的指示。基于这个实验，我们提出了一种方法来提取一般类别和具体方面的讨论中的审查连同他们的情绪。我们框架这个任务作为一个多标签的分层文本分类问题，并实证研究不同的分类架构的性能，以耦合预测的类别与预测的特定方面在这个类别。我们评估不同的架构，并表明，分层的方法导致优越的结果相比，一个平面模型，独立决策。
2016-07-21 cs.CL
Sentiment Analysis on Customer Responses
University of Southern California（南加州大学）；Caltech（加州理工学院）
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。我们提出了一个客户对产品的反馈评论，我们利用意见挖掘，文本挖掘和情感，这已经影响了周围的世界，改变了他们对特定产品的看法。本研究中使用的数据是从Amazon.com收集的在线产品评论。我们对检索到的评论进行了比较情感分析。这篇研究论文为您提供了对智能手机的各种智能手机意见的情感分析，将其分为积极，消极和中性行为。
2020-07-05 cs.CL cs.IR cs.LG
Summative Student Course Review Tool Based on Machine Learning Sentiment Analysis to Enhance Life Science Feedback Efficacy
UCLA Chemistry and Biochemistry（加州大学洛杉矶分校化学与生物化学系）；UCLA Center for the Advancement of Teaching（加州大学洛杉矶分校教学促进中心）
机器学习可以开发新的、补充的和授权的工具，这些工具可以扩展现有技术或发明新技术。在教育领域，存在支持通用学生课程复习格式的工具的空间，以组织和概括学生对他们所接触的教学实践的看法。通常情况下，学生的意见收集与一般评论部分，征求他们对他们的课程的感受，而没有投票的课程内容的细节。在这里，我们展示了一种新的方法来总结和组织学生的意见，通过分析他们对课程的情感作为一个功能的语言/词汇来传达他们对一个类及其内容的意见。这一分析来自于他们对课后复习调查结束时遇到的一般性评论部分的答复。这种分析是通过Python、LaTeX和Google的自然语言API完成的，它允许将非结构化文本数据转换为通用和特定主题的子报告，以独特、新颖的方式传达学生的观点。
2023-01-15 cs.CL
COVID-19 Public Opinion and Emotion Monitoring System Based on Time Series Thermal New Word Mining
School of Information and Communication Engineering, Hainan University（海南大学信息与通信工程学院）；School of Computer Science and Cyberspace Security, Hainan University（海南大学计算机与网络空间安全学院）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Defense Technology（国防科技大学）；Department of Mathematics and Computer Science, Northeastern State University（东北州立大学数学与计算机科学系）
随着新型疫情的传播和发展，识别疫情在公众情绪中的变化趋势，具有重要的参考价值。我们设计并实现了基于时间序列热度新词挖掘的新冠疫情舆情监测系统。提出了一种新的基于网络话题时间爆炸的词结构发现方案和一种适用于COVID-19舆情环境的中文情感分析方法。建立“Scrapy-Redis-Bloomfilter”分布式爬虫框架进行数据采集。该系统可以根据评论判断评论者的积极和消极情绪，还可以反映出希望，快乐和沮丧等七种情绪的深度。最后，我们改进了该系统的情感判别模型，并将COVID-19相关评论的情感判别误差与嘉谷深度学习模型进行了比较。结果表明，该模型具有较好的泛化能力和较小的判别误差。我们设计了一个大数据可视化屏幕，可以清晰地显示公众情绪的变化趋势，各种情绪类别的占比，关键词，热门话题等，充分直观地反映民意的发展。
2020-05-23 cs.CL cs.IR cs.SI
Roman Urdu Opinion Mining System (RUOMiS)
University of Agriculture, Peshawar（白沙瓦农业大学）；CUSIT（城市科学信息技术大学）
说服客户总是被认为是一项具有挑战性的任务，在每一个企业.但当涉及到在线业务时，这项任务变得更加困难。在线零售商尽一切可能获得客户的信任。解决方案之一是为现有用户提供一个区域来留下他们的评论。这项服务可以有效地建立客户的信任，但通常客户使用罗马字母用他们的母语评论产品。如果有数百条评论，即使是本地客户也很难做出购买决定。本研究提出了一个系统，提取罗马乌尔都语发布的评论，翻译他们，找到他们的极性，然后给我们的产品的评级。这个评级将帮助本地和非本地客户从罗马乌尔都语发布的评论中有效地做出购买决定。
2015-01-07 cs.CL cs.IR
An Opinion Mining of Text in COVID-19 Issues along with Comparative Study in ML, BERT & RNN
The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
全球正经历一场被称为COVID-19的呼吸系统综合征灾难性爆发的疫情。这是一个全球性的威胁，遍布212个国家，人们每天都会遇到巨大的情况。相反，成千上万的感染者生活在山区。心理健康也受到全球冠状病毒疫情的影响。由于这种情况，在线资源成为普通人在任何议程上分享他们意见的交流场所。如受影响的新闻相关的积极和消极的，金融问题，国家和家庭危机，缺乏进出口收入系统等不同种类的情况是最近的流行新闻在任何地方。因此，大量的文本在瞬间产生，因此，在次大陆地区，与其他国家和人民的情况相同，文本和情况也相同，但语言不同。本文提出了一些具体的输入以及来自各个来源的孟加拉语文本评论，可以确保说明的目标，即机器学习结果能够构建辅助系统。意见挖掘辅助系统可以在所有可能的语言偏好中发挥作用。据我们所知，文章预测了孟加拉语输入文本对COVID-19问题的影响，提出了ML算法和深度学习模型分析，并对未来的可达性进行了对比分析。对比分析表明，ML算法的文本预测准确率为91%，深度学习模型为79%。
2022-01-06 cs.CL cs.NE
Mining Software Quality from Software Reviews: Research Trends and Open Issues
软件评论文本片段具有关于用户体验的相当有价值的信息。它包括一组巨大的属性，包括软件质量。意见挖掘或情感分析涉及分析文本用户判断。将情感分析应用于软件评审，可以找到一个代表软件质量的量化值。虽然许多软件质量方法被提出，但它们被认为是难以定制的，并且其中许多方法是有限的。本文探讨了意见挖掘作为一种方法来提取软件质量属性的应用。我们发现使用情感分析挖掘软件评论的主要问题是由于软件生命周期和不同的用户和团队。
2016-02-05 cs.CL cs.IR
Enhancing Investment Opinion Ranking through Argument-Based Sentiment Analysis
AIST（日本国立先进工业科学技术研究所）；Institute of Information Science, Academia Sinica（中央研究院资讯科学研究所）；National Taiwan University（台湾大学）；Ochanomizu University（御茶水女子大学）；University of Tokyo（东京大学）
研究提出双管齐下的论据挖掘技术，通过目标价与收盘价差异及论据评分排序投资观点，有效提升推荐系统识别高利润潜力观点的能力，并扩展至风险分析。
2024-09-25 cs.CL
