Deep-Sentiment: Sentiment Analysis Using Ensemble of CNN and Bi-LSTM Models
New York University(纽约大学);University of California, Riverside(加州大学河滨分校)
随着社交网络和电子商务网站的普及,情感分析在过去几年中已经成为一个比较活跃的研究领域。在高层次上,情感分析试图了解公众对特定产品或主题的看法,或者从评论或推文中了解趋势。情感分析在更好地理解客户/用户意见以及提取社会/政治趋势方面起着重要作用。情感分析已经有很多以前的工作,一些基于手工工程相关的文本特征,和其他基于不同的神经网络架构。在这项工作中,我们提出了一个基于长短期记忆(LSTM)和卷积神经网络(CNN)的集成模型,一个用于捕获数据的时间信息,另一个用于提取其局部结构。通过实验结果,我们表明,使用这种集成模型,我们可以优于两个单独的模型。与以前的作品相比,我们也能够实现非常高的准确率。
2019-04-08 cs.CL cs.IR cs.LG
NILC-USP at SemEval-2017 Task 4: A Multi-view Ensemble for Twitter Sentiment Analysis
University of São Paulo (USP)(圣保罗大学 (USP))
本文描述了我们对SemEval-2017任务4的Twitter情感分析的多视图集成方法,特别是英语的消息极性分类子任务(子任务A)。我们的系统是一个投票集成,其中每个基本分类器在不同的特征空间中进行训练。第一个空间是词袋模型,并具有线性SVM作为基础分类器。第二和第三空间是两种不同的策略,结合词嵌入来表示句子,并使用线性SVM和Logistic回归作为基本分类器。建议的系统排名第18位的38个系统考虑F1分数和第20考虑召回。
2017-04-07 cs.CL cs.LG
NITS-Hinglish-SentiMix at SemEval-2020 Task 9: Sentiment Analysis For Code-Mixed Social Media Text Using an Ensemble Model
National Institute of Technology Silchar(西尔恰尔国立技术学院)
情感分析是一个解读句子所表达的情感并将其分为积极、消极或中性的过程。近年来,印度活跃的社交媒体用户数量大量涌入,这导致了大量非结构化文本数据。由于印度人通常都能流利地使用印地语和英语,他们最终会生成代码混合的印度式英语社交媒体文本,即印地语的表达,用罗马字母和其他英语单词一起书写。充分理解这些文本中的概念的能力确实是必要的。我们的团队rns 2020参与了SemEval 2020的任务9,旨在设计一个系统来对代码混合的社交媒体文本进行情感分析。本文提出了一个名为NITS-Hinglish-SentiMix的系统来完成对这种代码混合的Hinglish文本的情感分析。所提出的框架在测试数据上记录了0.617的F分数。
2020-09-04 cs.CL
From TF-IDF to Transformers: A Comparative and Ensemble Approach to Sentiment Classification
School of Computer Engineering KIIT Deemed to be University(计算机工程学院 KIIT 被认定大学)
本文比较了多种机器学习模型,包括Naive Bayes、逻辑回归、SVM、LightGBM、LSTM以及基于Transformer的RoBERTa和DistilBERT,旨在对电影评论进行情感分类,并发现RoBERTa在准确率上表现最佳,同时集成所有模型的软投票方法进一步提升了分类性能。
2026-05-21 cs.AI cs.CL cs.IR
Squared English Word: A Method of Generating Glyph to Use Super Characters for Sentiment Analysis
Gyrfalcon Technology Inc.(矛隼科技公司)
Super Characters方法通过首先将输入文本转换为图像,然后应用2D-CNN模型对情感进行分类来解决情感分析问题。它在许多基准数据集上实现了最先进的性能。然而,它在拉丁语言中的应用并不像在亚洲语言中那样简单。因为2D-CNN模型被设计为识别二维图像,所以如果输入是字形的形式会更好。在本文中,我们提出了SEW(Squared English Word)方法,通过在字母表级别上绘制每个英语单词的超级字符图像,在句子级别上将平方的字符组合在一起形成一个完整的超级字符图像,然后应用CNN模型对句子中的情感进行分类。我们将SEW方法应用于维基百科数据集,与原始超级字符方法相比,获得了2.1%的准确率增益。对于包含结构化表格数据和非结构化自然语言文本的多模态数据,改进的SEW方法将数据集成到单个图像中,并使用一个统一的CNN模型对情感进行分类。
2019-07-15 cs.CL
Ensemble of Generative and Discriminative Techniques for Sentiment Analysis of Movie Reviews
University of Montréal(蒙特利尔大学);University of Rouen(鲁昂大学);Facebook Artificial Intelligence Research(Facebook人工智能研究院)
情感分析是自然语言处理中的一项常见任务,旨在检测文本文档(通常是消费者评论)的极性。在最简单的设置中,我们只区分积极和消极情绪,将任务转化为标准的二元分类问题。我们比较了几种机器学习方法来解决这个问题,并将它们结合起来,以达到最佳的效果。我们将展示如何使用标准的生成语言模型来完成这项任务,这些模型与最先进的技术略有互补。我们在一个著名的IMDB电影评论数据集上取得了很好的结果。我们的结果很容易重现,因为我们还发布了重复实验所需的代码。这应该简化了最先进技术的进一步发展,因为其他研究人员可以毫不费力地将他们的技术与我们的技术相结合。
2015-05-27 cs.CL cs.IR cs.LG
Deep Learning Brasil at ABSAPT 2022: Portuguese Transformer Ensemble Approaches
Federal University of Goiás(戈亚斯联邦大学);University of the Basque Country (UPV/EHU)(巴斯克地区大学(UPV/EHU))
本文介绍了团队在 ABSAPT 2022 中采用葡萄牙语 Transformer 集成方法,参与方面术语抽取与情感倾向抽取两个子任务,并取得了新的最先进结果。
2023-11-08 cs.CL
Efficient Feature Selection techniques for Sentiment Analysis
National Institute of Technology(国家理工学院);Samsung R and D Institute India(三星印度研发研究院)
情感分析是一个研究领域,其重点是识别和分类以文本形式表达的思想,分为积极,消极和中性极性。特征选择是机器学习中的一个关键过程。在本文中,我们的目标是研究用于情感分析的不同特征选择技术的性能。词频逆文档频率(TF-IDF)被用作用于创建特征词汇的特征提取技术。各种特征选择(FS)技术进行了实验,以选择最好的一组功能,从特征词汇。使用不同的机器学习分类器逻辑回归(LR)、支持向量机(SVM)、决策树(DT)和朴素贝叶斯(NB)来训练所选择的特征。分类器采用Bagging和Random Subspace等包围盒技术,提高了情感分析的性能.我们表明,当最好的FS技术使用集成方法进行训练时,在情感分析上取得了显着的效果。我们还比较了使用Bagging,Random Subspace与不同神经网络架构训练的FS方法的性能。我们表明,使用集成分类器训练的FS技术优于神经网络,需要显着更少的训练时间和参数,从而消除了广泛的超参数调整的需要。
2020-02-02 cs.CL cs.LG
SentiFuse: Deep Multi-model Fusion Framework for Robust Sentiment Extraction
University of Louisville(路易斯维尔大学);Meharry Medical College(梅哈里医学院)
SentiFuse通过多模型融合框架提升情感提取的鲁棒性和准确性,特征级融合在F1分数上取得显著提升。
2026-02-01 cs.AI cs.CL
HinglishNLP: Fine-tuned Language Models for Hinglish Sentiment Detection
代码混合的社交媒体文本的情感分析仍然是一个未开发的领域。这项工作增加了两种常见的方法:微调大型Transformer模型和ULMFiT等样本高效方法。先前的工作证明了经典ML方法用于极性检测的有效性。微调的通用语言表示模型,如BERT家族的模型,与经典的机器学习和集成方法一起进行基准测试。我们发现NB-SVM以6.2%(相对)F1击败了RoBERTa。性能最好的模型是多数投票集成,其F1为0.707。排行榜的提交是在codalab用户名nirantk下进行的,F1为0.689。
2020-08-22 cs.CL cs.LG
Sentiment Analysis of Code-Mixed Social Media Text (Hinglish)
University of Leeds(利兹大学)
本文讨论了不同的技术应用于执行情感分析的社会媒体(Twitter)代码混合的文本写在印度式英语的结果。执行情感分析所涉及的各个阶段是数据整合、数据清理、数据转换和建模。应用了各种数据清理技术,在五次迭代中清理数据,并在每次迭代后记录实验结果。使用count vectorizer,one hot vectorizer,tf-idf vectorizer,doc 2 vec,word 2 vec和fasttext嵌入转换数据。使用各种机器学习算法创建模型,例如SVM、KNN、决策树、随机森林、朴素贝叶斯、逻辑回归和集成投票分类器。数据来自Codalab竞赛网站上的一项任务,该任务在Semeval-2020竞赛网站上被列为任务:9。使用F1评分(宏)评价创建的模型。最好的F1得分为69.07,使用集成投票分类器。
2021-02-24 cs.CL
From Sentiment Annotations to Sentiment Prediction through Discourse Augmentation
University of British Columbia(不列颠哥伦比亚大学)
情感分析,特别是对于长文档,必然需要捕获复杂语言学结构的方法。为了适应这一点,我们提出了一个新的框架,利用任务相关的话语的情感分析的任务。更具体地说,我们将大规模的情感依赖MEGA-DT树库与基于混合TreeLSTM分层注意力模型的新型情感预测神经架构相结合。实验表明,我们的框架使用情感相关的话语增强进行情感预测,提高了长文档的整体性能,甚至超过了以前使用基于人类注释数据训练的成熟话语解析器的方法。我们表明,一个简单的集成方法可以通过选择性地使用话语,根据文件的长度,进一步提高性能。
2020-11-05 cs.CL
Generating Word and Document Embeddings for Sentiment Analysis
Boğaziçi University(海峡大学)
不同语料库的词汇情感是不同的。一般来说,归纳语言的一般情感词汇并使用它们不能为不同的领域产生有意义的结果。在本文中,我们将上下文和监督信息与字典中出现的单词的一般语义表示相结合。词的上下文帮助我们捕捉特定领域的信息,词的监督分数指示这些词的极性。当我们将单词的监督特征与从其字典定义中提取的特征相结合时,我们观察到成功率的增加。我们尝试了上下文,监督和基于字典的方法的组合,并生成原始向量。我们还将word2vec方法与手工制作的功能相结合。我们诱导特定领域的情感向量的两个语料库,这是电影领域和Twitter的土耳其语数据集。当我们此后生成文档向量,并采用支持向量机方法利用这些向量,我们的方法比土耳其的基线研究有显着的利润率。我们在两个英语语料库上对我们的模型进行了评估,这些模型也优于word2vec方法。这表明我们的方法是跨领域的,可移植到其他语言。
2020-12-07 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
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
Backtesting Sentiment Signals for Trading: Evaluating the Viability of Alpha Generation from Sentiment Analysis
Lab(实验室)
本文通过回测三种情绪模型对道琼斯 30 股票新闻的策略,发现回归模型 28 个月收益达 50.63%,优于 Buy&Hold 基准,证明情绪分析可生成正 Alpha。
2025-07-04 cs.AI cs.CL
Ensemble Creation via Anchored Regularization for Unsupervised Aspect Extraction
Thoucentric
基于方面的情感分析是可以对文档/句子执行的最细粒度形式的情感分析。除了以更细的粒度提供最多的见解外,它也带来了同样艰巨的挑战。其中之一是缺乏标记数据。为了为当今世界以非常快的速度生成的文本数据带来开箱即用的价值,无监督的基于方面的情感分析使我们能够生成见解,而无需在生成标签上投入时间或金钱。从主题建模方法到最近的基于深度学习的方面提取模型,这个领域已经有了很大的发展。我们改进的模型之一是ABAE,它将句子重建为其中存在的方面术语的线性组合,在这项研究中,我们探索如何使用来自另一个无监督模型的信息来正则化ABAE,从而获得更好的性能。我们将其与基于基线规则的集成进行对比,结果表明集成方法比单个模型更好,基于正则化的集成比基于规则的集成更好。
2022-10-13 cs.CL cs.LG
Sentiment analysis is not solved! Assessing and probing sentiment classification
University of Oslo(奥斯陆大学)
SA的神经方法已经导致了对以前方法的定量改进,但这些进步并不总是伴随着对定性差异的彻底分析。因此,目前尚不清楚情感分析还存在哪些突出的概念挑战。在这项工作中,我们试图发现哪些挑战仍然证明英语情感分类器的问题,并提供一个具有挑战性的数据集。我们收集了一个(Oracle)最先进的情感分类器集合错误分类的句子子集,然后为它们注释了18种语言学和非语言学现象,如否定,讽刺,模态等。数据集可在https://github.com/ltgoslo/assessing_and_probing_sentiment上获得。最后,我们提供了一个案例研究,证明了有用的数据集探测一个给定的情感分类器的性能相对于语言现象。
2019-06-13 cs.CL
Article citation study: Context enhanced citation sentiment detection
Pondicherry University(本地治里大学);HCL Technologies Ltd.(HCL技术有限公司);IDRBT(印度银行技术研究所);University at Buffalo(布法罗大学)
引文情感分析是科学计量学研究较少的课题之一。对于引文分析,我们开发了八个包含引文句子的数据集,这些数据集由我们手动注释为三种情感极性,即积极,消极和中性。在八个数据集中,三个是考虑到引文的整个背景而开发的。此外,我们提出了一个集成的特征工程方法,包括词嵌入获得的文本,词性标记,和依赖关系在一起。集成特征被认为是基于深度学习的引文情感分类方法的输入,进而与词袋方法进行比较。实验结果表明,深度学习是有用的,为更大的样本数量,而支持向量机是较小的样本数量的赢家。此外,基于上下文的样本被证明是更有效的引用情感分析比无上下文的样本。
2020-05-10 cs.CL cs.DL cs.IR
A Deep Convolutional Neural Networks Based Multi-Task Ensemble Model for Aspect and Polarity Classification in Persian Reviews
University of Tabriz(大不里士大学);University of Allameh Tabataba’i(阿拉梅·塔巴塔巴伊大学)
提出基于深度卷积神经网络的多任务集成模型,同时检测波斯语评论中的方面类别及其极性,以减少流水线误差并提升情感分析效率。
2023-08-29 cs.CL
Frustratingly Easy Sentiment Analysis of Text Streams: Generating High-Quality Emotion Arcs Using Emotion Lexicons
University of Alberta(阿尔伯塔大学);National Research Council Canada(加拿大国家研究委员会)
自动生成的情感弧线--捕捉个人或群体随着时间的推移的感受--广泛用于工业和研究。然而,有很少的工作,评估所产生的弧。这在一定程度上是由于建立真正的(黄金)情感弧的困难。我们的工作,第一次,系统和定量评估自动生成的情感弧。我们还比较了生成情感弧的两种常见方法:机器学习(ML)模型和仅词汇(LexO)方法。利用大量不同的数据集,我们系统地研究了情感词典的质量与可以由其生成的情感弧的质量之间的关系,我们还研究了实例级情感检测系统的质量与情感弧的质量之间的关系。(比如说从ML模型)和可以用它生成的情感弧的质量。我们表明,尽管在实例级别上明显较差,LexO方法通过聚合来自数百个实例的信息,在生成情感弧方面非常准确。这对商业开发以及心理学、公共卫生、数字人文等领域的研究具有广泛的影响,这些领域重视简单的可解释方法,而不需要特定领域的训练数据、编程专业知识和高碳足迹模型。
2022-10-13 cs.CL
MvP: Multi-view Prompting Improves Aspect Sentiment Tuple Prediction
Tsinghua University(清华大学)
提出多视角提示方法MvP,通过聚合不同元素顺序生成的情感元组并投票选择,有效提升方面情感元组预测性能,在10个数据集上达到最先进水平。
2023-05-22 cs.AI cs.CL
T-BERT -- Model for Sentiment Analysis of Micro-blogs Integrating Topic Model and BERT
Indian Institute of Technology, Madras(印度理工学院马德拉斯分校);Indian Institute of Technology, Delhi(印度理工学院德里分校)
情感分析(SA)近年来已经成为一个广泛的研究领域,影响着包括电子商务、消费者业务和政治在内的各个领域,这是由社交媒体平台的日益普及和使用所驱动的。从这种背景下出现的无监督短文本中提取主题和情感是具有挑战性的,因为它们可能包含比喻性的单词,刺耳的数据,以及单个单词或短语的许多可能含义的共存,所有这些都有助于获得不正确的主题。大多数先前的研究是基于一个特定的主题/修辞/集中的内容在一个干净的数据集。在这里报告的工作中,证明了BERT(来自Transformers的双向编码器表示)在来自流行微博平台的原始实时数据集的情感分类任务中的有效性。提出了一种新的T-BERT框架,以显示通过将潜在主题与上下文BERT嵌入相结合所获得的增强性能。使用NimbleBox.ai平台在具有大约42000个数据集的集合上进行数值实验,该集合具有由Nvidia Tesla K80(CUDA)、4核CPU、15 GB RAM组成的硬件配置,该硬件配置在隔离的Google Cloud Platform实例上运行。实验结果表明,在BERT中加入主题后,该模型的性能得到了提高,使用该方法进行BERT情感分类的准确率达到了90.81%.
2021-06-02 cs.AI cs.CL
SentiWords: Deriving a High Precision and High Coverage Lexicon for Sentiment Analysis
FBK(布鲁诺·凯斯勒基金会)
推导用于情感分析的先验极性词典-其中正或负分数与上下文外的单词相关联-是一项具有挑战性的任务。通常,精确度和覆盖率之间的平衡很难找到,这取决于用于构建词典的方法。人工标注的词典提供了高精度,但缺乏覆盖率,而从预先存在的知识自动推导保证高覆盖率的成本较低的精度。由于自动推导先验极性比手动注释耗时更少,因此这些方法大量涌现,特别是基于SentiWordNet资源的方法。在本文中,我们比较了最常用的技术的基础上SentiWordNet与较新的,并将它们融合在一个学习框架(所谓的“集成方法”)。通过利用手动构建的先验极性词汇,我们的集成方法能够更好地预测未见过的单词的先验值,并优于所有其他SentiWordNet方法。使用这种技术,我们已经建立了SentiWords,一个大约155,000个单词的先验极性词典,具有高精度和高覆盖率。我们最终表明,在情感分析任务中,使用我们的词典使我们的表现优于从SentiWordNet和流行的手动注释情感词典中得出的单一指标。
2015-10-30 cs.CL
Developing a concept-level knowledge base for sentiment analysis in Singlish
Nanyang Technology University(南洋理工大学)
在本文中,我们提出了新加坡式英语情感词典,一个概念级的知识库,情感分析,关联多词表达的一组情感标签和极性值。与许多其他情感分析资源不同,该词典不是通过手动标记来自WordNet或DBPedia等一般NLP资源的知识片段来构建的。相反,它是通过应用图挖掘和多维缩放技术从三个不同的来源收集的情感常识知识自动构建的。这种知识冗余表示在三个层次:语义网络,矩阵,向量空间。随后,通过扩散激活、神经网络和情感分类模型的集成应用,对概念进行情感和极性标记。
2017-07-14 cs.CL
Syntactic Fusion: Enhancing Aspect-Level Sentiment Analysis Through Multi-Tree Graph Integration
University of Charleston(查尔斯顿大学)
本文提出 SynthFusion 图集成方法,在 GNN 前融合多解析器依存关系,以提升方面级情感分类对解析错误的鲁棒性,并在 SemEval14、Twitter14 上优于单树及其他集成方法。
2023-11-28 cs.CL
Structured Prompting and LLM Ensembling for Multimodal Conversational Aspect-based Sentiment Analysis
Hunan University(湖南大学);University of Cambridge(剑桥大学)
本文提出结构化提示与大语言模型集成方法,用于多模态对话基于方面的情感分析,有效提升情感识别与翻转检测的准确性。
2025-12-27 cs.CL
The Classics at SemEval-2026 Task 3: Combining Transformer Models and LLM-Generated Annotations for Dimensional Aspect-Based Sentiment Analysis
HSE University(俄罗斯高等经济研究大学)
研究超越传统分类情感,预测情感“效价”和“唤醒”细粒度实值分数的方法。回归任务用基于变压器的编码器模型加权集成,俄语用大语言模型增强输入,提取任务微调解码器大语言模型进行结构化预测。
2026-07-07 cs.CL
CAN: Constrained Attention Networks for Multi-Aspect Sentiment Analysis
Nankai University(南开大学);IBM Research - China(IBM中国研究院)
方面级情感分类是一个细粒度的情感分析任务。为了检测句子中特定方面的情感,以前的研究已经开发了各种基于注意力的方法来生成特定方面的句子表征。然而,注意力可能固有地引入噪声并降低性能。本文针对注意力机制的不足,提出了一种简单有效的解决方案--约束注意力网络(CAN),用于多方面情感分析中的注意力规则化。具体来说,我们引入正交正则化的多个方面和稀疏正则化的每一个方面。在两个公共数据集上的实验结果证明了该方法的有效性。我们进一步将我们的方法扩展到多任务设置,并优于最先进的方法。
2019-08-21 cs.CL
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
Amobee at SemEval-2018 Task 1: GRU Neural Network with a CNN Attention Mechanism for Sentiment Classification
Amobee
本文描述了Amobee在SemEval 2018上参与共享情感分析任务的情况。我们参与了所有的英语子任务和西班牙语效价任务。我们的系统由三个部分组成:训练特定于任务的词嵌入,训练一个由门控递归单元(GRU)和卷积神经网络(CNN)注意力机制组成的模型,并为每个子任务训练基于堆栈的集成。我们的算法分别在英语和西班牙语的价序分类子任务中达到了第3名和第1名。
2018-04-12 cs.CL stat.ML
BCSAT : A Benchmark Corpus for Sentiment Analysis in Telugu Using Word-level Annotations
Language Technologies Research Center(语言技术研究中心);International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
所提出的工作的目的是生成一个系统的注释语料库,可以支持增强情感分析任务,在泰卢固语使用单词级的情感注释。从OntoSenseNet中,我们提取了11,000个形容词,253个副词,8483个动词,语言专家正在进行情感注释。我们讨论了极性注释所遵循的方法,并验证了开发的资源。这项工作的目的是开发一个基准语料库,作为SentiWordNet的扩展,和基线精度的模型,其中词素注释应用于情感预测。本文的基本目的是验证和研究利用机器学习算法的可能性,词级情感标注的自动情感识别任务。此外,通过对从目标语料库中提取的二元语法进行注释来提高准确性。
2018-07-04 cs.CL
LexiPers: An ontology based sentiment lexicon for Persian
Sharif University of Technology(谢里夫理工大学);University of Guilan(吉兰大学)
情感分析是指使用自然语言处理从文本资源中识别和提取主观信息。情感提取的一种方法是使用情感词典。情感词典是与它们所表达的情感取向相关联的词的集合。在本文中,我们描述了一个通用的情感词汇的波斯语的过程。提出了一种基于图的种子选择和扩展方法。情感词典生成,然后映射到一个文档分类问题。我们使用K-最近邻和最近质心方法进行分类。这些分类器已被评估的基础上的一组手标记的同义词。最后的情感词典已产生的最佳分类器。结果表明,在生成的情感词典的准确性和F-措施方面的可接受的性能。
2019-11-13 cs.CL cs.LG
SentimentArcs: A Novel Method for Self-Supervised Sentiment Analysis of Time Series Shows SOTA Transformers Can Struggle Finding Narrative Arcs
Digital Humanities Colab(数字人文合作实验室);Integrated Program for Humane Studies(人文研究综合项目);Kenyon College(凯尼恩学院)
SOTA Transformer和DNN短文本情感分类器在IMDB电影评论等狭窄领域的准确率超过97%。现实世界的性能显着较低,因为传统模型过拟合基准,并且对不同或更开放的领域文本的概括性较差。本文介绍了SentimentArcs,一种新的自监督时间序列情感分析方法,它解决了传统监督情感分析的两个主要局限性:有限的标记训练数据集和泛化能力差。大量不同模型的集合为自监督学习提供了合成的基础事实。新的度量共同优化了在每个可能的语料库中的穷举搜索:模型组合。对语料库和模型的联合优化解决了泛化问题。简单的可视化利用了叙述中的时间结构,因此领域专家可以快速发现趋势,识别关键特征,并注意到数百个弧和数百万个数据点的异常。据我们所知,这是第一个用于时间序列情感分析的自监督方法,也是直接比较长形式叙述的真实世界模型性能的最大调查。
2021-10-18 cs.CL cs.LG
Atalaya at TASS 2019: Data Augmentation and Robust Embeddings for Sentiment Analysis
Universidad Nacional de Córdoba(科尔多瓦国立大学);CONICET(阿根廷国家科学技术研究委员会)
在本文中,我们描述了我们参与TASS 2019的情况,这是一项旨在检测西班牙推文情感极性的共享任务。我们结合了不同的表示,如词袋,字符袋和推文嵌入。特别是,我们训练了鲁棒的子词感知词嵌入,并使用加权平均策略计算了推文表示。我们还使用了两种数据增强技术来处理数据稀缺性:双向翻译增强和实例交叉增强,这是一种通过组合推文的一半来生成新实例的新技术。在实验中,我们训练了线性分类器和集成模型,尽管我们的方法很简单,但仍然获得了极具竞争力的结果。
2019-09-25 cs.CL cs.LG
Method for Aspect-Based Sentiment Annotation Using Rhetorical Analysis
Wroclaw University of Technology(弗罗茨瓦夫技术大学);Kenaz Technologies
本文填补了基于方面的情感分析的空白,旨在提出一种新的方法,用于准备和分析文本有关的意见,并生成用户友好的描述性报告,在自然语言。我们提出了一套全面的技术,来自修辞结构理论和情感分析提取方面的文本意见,然后建立一个抽象的摘要的一组意见。此外,我们提出方面-方面图来评估方面的重要性,并从摘要中过滤掉不重要的方面。此外,本文提出了一个原型解决方案的数据流有趣和有价值的结果。该方法的结果证明了高精度的方面检测时,应用于黄金标准数据集。
2017-09-13 cs.CL
BAKSA at SemEval-2020 Task 9: Bolstering CNN with Self-Attention for Sentiment Analysis of Code Mixed Text
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
代码混合文本的情感分析在意见挖掘中有着广泛的应用,从标记用户评论到识别子人群的社会或政治情感。在本文中,我们提出了一种卷积神经网络(CNN)和基于自注意力的LSTM的集成架构,用于代码混合推文的情感分析。虽然CNN组件有助于对正面和负面推文进行分类,但基于自我注意力的LSTM有助于对中性推文进行分类,因为它能够在多个情感承载单元中识别正确的情感。我们在印地语-英语(Hinglish)和西班牙语-英语(Spanglish)数据集上分别获得了0.707(排名第5)和0.725(排名第13)的F1分数。Hinglish和Spanglish任务的提交分别以用户名ayushk和harsh_6进行。
2020-07-21 cs.CL cs.LG
BB_twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs
Bloomberg(彭博)
在本文中,我们描述了我们尝试使用卷积神经网络(CNN)和长短期记忆(LSTMs)网络来产生最先进的Twitter情感分类器。我们的系统利用大量未标记的数据来预训练词嵌入。然后,我们使用未标记数据的子集来使用远程监督微调嵌入。最终的CNN和LSTM在SemEval-2017 Twitter数据集上进行训练,其中嵌入再次进行了微调。为了提高性能,我们将几个CNN和LSTM集成在一起。我们的方法在40个团队中获得了所有五个英语子任务的第一名。
2017-04-20 cs.CL stat.ML
A Simple Ensemble Strategy for LLM Inference: Towards More Stable Text Classification
Meijo University(明治大学);RIKEN(日本研究机构);AIP(Advanced Institute for Photonics)
针对LLMs推理结果不稳定问题,本文提出一种简单集成策略,通过中等规模模型多次推理的多数投票,在情感分析中比单次使用大模型更稳健准确,RMSE降低18.6%。
2025-05-07 cs.AI cs.CL
Environmental, Social and Governance Sentiment Analysis on Slovene News: A Novel Dataset and Models
Eindhoven University of Technology(埃因霍温理工大学);Jožef Stefan Institute(约瑟夫·斯特凡研究所);University of Ljubljana(卢布尔雅那大学);Queen Mary University of London(伦敦玛丽女王大学)
本文提出首个公开的斯洛文尼亚ESG情绪数据集及模型,评估了单语和多语模型、嵌入式分类器和大型语言模型在ESG情绪检测中的性能。
2026-04-08 cs.AI cs.CL
A Novel BGCapsule Network for Text Classification
Institute of Development Research in Banking Technology(银行技术发展研究院);University of Hyderabad(海得拉巴大学)
即使对于现代深度学习网络,诸如情感分析、新闻分类、多标签分类和观点分类等若干文本分类任务也是具有挑战性的问题。最近,胶囊网络(CapsNets)被提出用于图像分类。已经表明,CapsNets比卷积神经网络(CNN)具有几个优点,而它们在文本领域的有效性却很少被探索。在本文中,我们提出了一种新的混合架构,即,BGCapsule,这是一个Capsule模型,前面有一个双向门控递归单元(BiGRU)的集合,用于几个文本分类任务。我们采用了一个双向GRU的合奏特征提取层之前的主要胶囊层。在执行基本的预处理步骤后,混合架构由五层组成:基于GloVe的嵌入层,基于BiGRU的集成层,主胶囊层,扁平层和全连接ReLU层,然后是全连接softmax层。为了评估BGCapsule的有效性,我们在五个基准数据集(从10,000条记录到700,000条记录)上进行了广泛的实验,包括Movie Review(MR Imdb 2005),AG News数据集,Dbpedia本体数据集,Yelp Review Full数据集和Yelp review polarity数据集。这些基准测试涵盖了几个文本分类任务,如新闻分类,情感分析,多类分类,多标签分类和意见分类。我们发现,与现有方法相比,我们提出的架构(BGCapsule)在没有任何外部语言知识(如积极情感关键字和消极情感关键字)的帮助下实现了更好的准确性。此…
2020-07-02 cs.CL
weighted CapsuleNet networks for Persian multi-domain sentiment analysis
Islamic Azad University(伊斯兰阿扎德大学);University of Yazd(亚兹德大学);K.N. Toosi University of technology(霍加·纳赛尔·丁·图西大学);University of Zanjan(赞詹大学)
针对情感分类高度依赖领域的问题,提出基于加权胶囊集成的波斯语多领域情感分析方法,利用领域归属度融合各领域模型,在多个数据集上取得高准确率。
2023-07-01 cs.AI cs.CL
Unsupervised Sentiment Analysis by Transferring Multi-source Knowledge
University of Electronic Science and Technology of China(电子科技大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
情感分析(Sentiment analysis,SA)是认知计算领域的一个重要研究方向,因此对情感分析模式的深入研究是十分必要的。目前,基于丰富资源数据的SA已经得到了很好的发展,而更具挑战性和实用性的多源无监督SA(即从多个源域转移到一个目标域的SA)研究较少。这个问题背后的挑战主要在于缺乏监督信息,域之间的语义鸿沟(即,知识的流失,知识的流失。然而,现有的方法要么缺乏区分域间语义间隙的能力,要么丢失私有知识。为了缓解这些问题,我们提出了一个两阶段的领域自适应框架。在第一阶段中,一个多任务的方法为基础的共享私有架构显式建模的领域共同的特点和领域特定的功能标记的源域。在第二阶段,两个精心设计的机制嵌入在共享的私有架构,从多个源域的知识转移。第一种机制是选择性领域自适应(SDA)方法,它从最近的源域转移知识。第二种机制是面向目标的集成(TOE)方法,在该方法中,知识通过设计良好的集成方法进行传递。广泛的实验评估验证了所提出的框架的性能优于无监督的最先进的竞争对手。从实验中可以得出的结论是,从非常不同的分布式源域传输可能会降低目标域的性能,这是至关重要的,选择合适的源域传输。
2021-05-09 cs.CL
SEntFiN 1.0: Entity-Aware Sentiment Analysis for Financial News
IIM Ahmedabad(印度艾哈迈达巴德管理学院);Aalto University(阿尔托大学)
本文针对金融新闻标题中多实体情感抽取的挑战,发布了人工标注数据集 SEntFiN 1.0,并提出基于特征的情感抽取框架,实验表明 RoBERTa 和 finBERT 取得最高 94.29% 准确率和 93.27% F1 分数,且验证了情感对市场运动的经济效应。
2023-05-20 cs.AI cs.CL cs.LG
MEME-Fusion@CHiPSAL 2026: Multimodal Ablation Study of Hate Detection and Sentiment Analysis on Nepali Memes
Department of Computer Science and Engineering, Kathmandu University(加德满都大学计算机科学与工程系)
本文针对尼泊尔表情包中的仇恨检测与情感分析,提出融合CLIP与BGE-M3的多模态注意力融合架构,通过消融研究发现英文中心视觉模型在尼泊尔语 script 上表现不佳,且数据稀缺时传统集成方法效果下降。
2026-04-13 cs.AI cs.CL
Learning to Detect Opinion Snippet for Aspect-Based Sentiment Analysis
Nankai University(南开大学);IBM Research - China(IBM中国研究院)
基于语义的情感分析(ABSA)是预测句子中某个方面的情感极性。最近,这个任务已经被神经注意力机制广泛解决,它计算注意力权重来软选择单词以生成特定方面的句子表示。预计注意力将集中在意见词上,以进行准确的情绪预测。然而,注意力容易被嘈杂或误导性的词语或来自其他方面的意见词语分散。在本文中,我们提出了一种替代的硬选择方法,该方法确定意见片段的开始和结束位置,并选择这两个位置之间的单词进行情感预测。具体来说,我们通过利用预训练的BERT模型来学习句子和方面之间的深层关联以及句子内的长期依赖关系。我们进一步通过自我批判强化学习检测意见片段。特别是,实验结果证明了我们的方法的有效性,并证明我们的硬选择方法优于软选择方法处理多方面的句子。
2019-09-25 cs.CL
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
Code-Mixed Sentiment Analysis Using Machine Learning and Neural Network Approaches
Language Technologies Research Center, IIIT Hyderabad(国际信息技术学院海得拉巴分校语言技术研究中心);Kohli Center On Intelligent Systems(科利智能系统中心)
印度语言的情感分析(SAIL)-代码混合工具竞赛,旨在识别印度语言对(Hi-En,Ben-Hi-En)代码混合数据集的句子级别情感极性。Hi-En数据集此后分别称为HI-EN和Ben-Hi-En数据集称为BN-EN。为此,我们提交了四个模型,用于代码混合的HI-EN和BN-EN数据集的情感分析。第一个模型是由三个分类器-线性SVM,逻辑回归和随机森林组成的集成投票分类器,而第二个是线性SVM。这两个模型都使用了字符n-gram的TF-IDF特征向量,其中n的范围是2到6。我们使用scikit-learn(sklearn)机器学习库来实现这两种方法。运行1从投票分类器获得,运行2使用线性SVM模型来产生结果。在提交的四个输出中,运行2在两个数据集中的表现都优于运行1。我们在HI-EN和BN-EN的比赛中分别以0.569和0.526的F分数获得第一名。
2018-08-09 cs.CL
Adversarial Training for a Hybrid Approach to Aspect-Based Sentiment Analysis
Erasmus University Rotterdam(伊拉斯姆斯大学鹿特丹分校);Bucharest University of Economic Studies(布加勒斯特经济研究大学)
网络的日益普及也随之增加了对产品和服务的大量评论。挖掘这些评论以表达情感对公司和消费者都有利,因为可以根据这些信息提高质量。在本文中,我们认为国家的最先进的HAABSA++算法的方面为基础的情感分析的任务是确定情感表达对一个给定的方面在审查句子。具体来说,我们使用对抗网络训练该算法的神经网络部分,这是一种新颖的机器学习训练方法,其中生成器网络试图通过生成高度逼真的新样本来欺骗分类器网络,从而提高鲁棒性。这种方法从未以其经典形式应用于基于方面的情感分析,被发现能够大大提高HAABSA++的样本外准确度:对于SemEval 2015数据集,准确度从81.7%提高到82.5%,对于SemEval 2016任务,准确度从84.4%提高到87.3%。
2021-11-29 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
A Hybrid Approach To Aspect Based Sentiment Analysis Using Transfer Learning
University of Galway(戈尔韦大学)
针对ABSA标注数据集获取成本高且领域受限的问题,提出结合LLM与传统句法依赖关系的迁移学习混合方法,生成弱监督标注,在多个数据集上有效提升了方面术语提取与情感分类的效果。
2024-03-25 cs.CL
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
TwiSE at SemEval-2016 Task 4: Twitter Sentiment Classification
University of Grenoble-Alpes(格勒诺布尔-阿尔卑斯大学)
本文介绍了“TwiSE”团队参加SemEval 2016挑战赛的情况。具体来说,我们参与了任务4,即“Twitter中的情感分析”,为此我们为子任务A、B、C和D实现了情感分类系统。我们的方法包括两个步骤。在第一步中,我们受到之前版本此类挑战参与者工作的启发,生成并验证用于Twitter情感评估的多种功能集。在第二步中,我们专注于不同子任务的评估措施的优化。为此,我们通过验证任务组织者提供的数据来检查不同的学习策略。在我们的最终提交中,我们对子任务A使用了集成学习方法(堆叠泛化),对其余子任务使用了单一线性模型。在官方排行榜上,我们在子任务A、B、C和D中分别排名9/35、8/19、1/11和2/14。\footnote{We make the code available for research purposes at \url{https://github.com/balikasg/SemEval2016-Twitter\_Sentiment\_Evaluation}.}
2016-06-14 cs.CL cs.IR cs.LG
Exploring Sentiment Analysis Techniques in Natural Language Processing: A Comprehensive Review
College of Information and Computer Sciences, University of Massachusetts(马萨诸塞大学信息与计算机科学学院)
本文全面综述了自然语言处理中情感分析的最新技术与趋势,涵盖多种方法、挑战及应用领域,旨在提升该过程的效率与准确性。
2023-05-24 cs.AI cs.CL