Lexicon-based Methods vs. BERT for Text Sentiment Analysis
Vyatka State University（维亚特卡国立大学）；ITMO University（ITMO大学）
近年来，情感分析方法的性能大大提高。这是由于使用了基于Transformer架构的各种模型，特别是BERT。然而，深度神经网络模型难以训练并且难以解释。另一种方法是使用情感词典的基于规则的方法。它们速度快，不需要训练，而且解释得很好。但最近，由于深度学习的广泛使用，基于词汇的方法已经退居幕后。本文的目的是研究SO-CAL和SentiStrength基于词典的方法，适用于俄语的性能。我们已经测试了这些方法，以及RuBERT神经网络模型，对16个文本语料库，并分析了他们的结果。平均而言，RuBERT优于这两种基于词典的方法，但SO-CAL在16个语料库中有4个超过了RuBERT。
2021-11-19 cs.CL
Sentiment Analysis: How to Derive Prior Polarities from SentiWordNet
Trento RISE（特伦托RISE）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
对于情感分析来说，为脱离上下文的单词（即单词的先验极性）分配正或负分数是一项具有挑战性的任务。在文献中，已经提出了基于SentiWordNet的各种方法。在本文中，我们将最常用的技术与新提出的技术进行比较，并将所有这些技术都纳入一个学习框架中，看看混合它们是否可以进一步提高先验极性分数的估计。使用两个不同版本的SentiWordNet并跨任务和数据集测试回归和分类模型，我们的学习方法始终优于单一指标，为情感分析提供了一种计算单词先验极性的新方法。我们得出结论，我们的调查显示有趣的偏见，在计算前的极性分数时，词的词性和注释者的性别被认为是。
2013-09-23 cs.CL
A Comparison of Lexicon-Based and ML-Based Sentiment Analysis: Are There Outlier Words?
Dublin City University（都柏林城市大学）
本文比较基于词典的Hedonometer与基于机器学习的Azure在4个领域超15万文本上的情感得分，发现词的重要性因领域而异，且无系统性导致差异的异常词。
2023-11-10 cs.CL
A New Statistical Approach for Comparing Algorithms for Lexicon Based Sentiment Analysis
University of São Paulo（圣保罗大学）
基于词典的情感分析通常依赖于对各种词的识别，对应于情感的数值可以被分配给这些词。原则上，分类器可以通过与人类注释的比较从这些算法中获得，这被认为是金标准。在实践中，这在诸如葡萄牙语之类的语言中是困难的，因为那里缺乏人类注释的文本。因此，为了比较算法，下一个最好的步骤是直接比较不同的算法，而不参考人类注释。在本文中，我们开发的算法，不依赖于人类注释或已知的类标签的统计比较的方法。我们将鼓励使用边际同质性检验，以及最大似然估计的框架内的对数线性模型。我们还将展示一些不确定性存在于基于词典的情感分析可能类似于那些发生在人类注释的推文。我们还将展示如何在不同的算法的输出的变化是依赖于词汇，并量化这种可变性的输出的对数线性模型的框架内。
2019-06-20 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
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
Sentiment Analysis in Finance: From Transformers Back to eXplainable Lexicons (XLex)
Department of Computer Science, Metropolitan College, Boston University, Boston, MA 02215, USA（波士顿大学计算机科学系）；Faculty of Computer Science（计算机科学系）；Methodius University, 1000 Skopje, North Macedonia（Methodius大学）
针对金融情感分析中传统词典法人工成本高、Transformer法资源消耗大且可解释性差的问题，提出融合二者优势的XLex方法，借助Transformer与SHAP构建可解释金融词典，性能、效率与可解释性均更优。
2024-03-26 cs.CL
Benchmarking ChatGPT and DeepSeek in April 2025: A Novel Dual Perspective Sentiment Analysis Using Lexicon-Based and Deep Learning Approaches
Middle Technical University（中央技术大学）；University of Tabriz（大不里士大学）
本研究提出结合词典与深度学习（CNN、Bi-LSTM）的双视角方法，分析Google Play上ChatGPT与DeepSeek的4,000条用户评论，发现ChatGPT情感更积极，CNN准确率达96.41%，为LLM应用情感分析设立新标准。
2025-09-16 cs.CL
Sentiment Analysis of Online Travel Reviews Based on Capsule Network and Sentiment Lexicon
Beijing University of Posts and Telecommunications（北京邮电大学）
随着在线旅游服务的发展，及时挖掘用户对旅游服务的评价情绪，并以此为指标来指导在线旅游服务质量的提升，具有很大的应用前景。本文研究了基于社交媒体在线评论的在线旅游评论文本情感分类问题，提出了基于胶囊网络和情感词典的SCCL模型。SCCL模型是针对语言模型中缺乏对文本的局部特征和情感语义特征的考虑而提出的，该模型能够有效地提取文本的上下文特征，如BERT和GRU。然后针对其不足之处做以下改进。一方面，在BERT-BiGRU的基础上，引入胶囊网络，在提取局部特征的同时保留良好的上下文特征。另一方面，引入情感词典提取文本的情感序列，为模型提供更丰富的情感语义特征。为了增强情感词典的通用性，采用基于TF-IDF的改进SO-PMI算法对情感词典进行扩展，使情感词典在在线旅游评论领域也有良好的表现。
2022-06-05 cs.AI cs.CL
Sentiment Analysis of German Twitter
本文探讨了人们如何在德国Twitter上表达自己的意见的方式，研究了目前的方法来自动挖掘这些感情，并提出了新的方法，这优于国家的最先进的技术。为了这个目的，我介绍了一个新的语料库的德国推文，已手动注释的情绪，他们的目标和持有人，以及极性条款和他们的上下文修饰符。使用这些数据，我探索情感研究的四个主要领域：（i）情感词典的生成，（ii）细粒度的意见挖掘，（iii）消息级别的极性分类，（iv）话语感知情感分析。在第一个任务中，我比较了三个流行的组的词典生成方法：字典，语料库，和词嵌入为基础的，发现基于字典的系统一般产生更好的词典比后两组。除此之外，我提出了一个线性投影算法，其结果超过了许多现有的自动词典。之后，在第二个任务中，我研究了两种常见的自动预测情感，来源和目标的方法：条件随机场和递归神经网络，前者模型获得更高的分数，并通过重新定义CRF图的结构进一步改善这些结果。在处理消息级别的极性分类时，我将三种主要的情感范式并列：基于词汇的系统、基于机器学习的系统和基于深度学习的系统，并试图通过引入具有基于词汇的注意力的双向神经网络来统一第一组和最后一组。最后，为了使新的分类器意识到话语结构，我让它分别分析每个微博的基本话语单位，并推断出一个消息的整体极性从其EDU的分数的帮助下，两个新的方法：潜在边缘化的CRF和递归Dirichlet过程。
2019-11-29 cs.CL
$ρ$-hot Lexicon Embedding-based Two-level LSTM for Sentiment Analysis
Tianjin University（天津大学）；Civil Aviation University of China（中国民航大学）
情感分析是各种文本挖掘应用中的关键组成部分。在文献中已经提出了许多情感分类技术，包括常规方法和基于深度学习的方法。在大多数现有的方法中，假设给定高质量的训练集。然而，在实际应用中，构建由高度准确的标签组成的高质量训练集是一个挑战。这种困难源于文本样本通常包含复杂的情感表示，并且它们的注释是主观的。在这项研究中，我们利用一种新的标签策略，并利用两级长短期记忆网络来构建一个情感分类器。词汇线索对于情感分析是有用的，并且它们已经被利用在传统的研究中。例如，极性词和否定词在情感分析中起着重要作用。提出了一种新的编码策略，即$ρ$ -hot编码，以克服one-hot编码的缺点，从而有效地结合有用的词汇线索。我们编制了三个中国数据集的基础上，我们的标签策略和建议的方法。在三个数据集上的实验表明，该方法优于现有的算法。
2018-03-21 cs.CL
A Joint Model for Aspect-Category Sentiment Analysis with Shared Sentiment Prediction Layer
Baidu Inc.（百度公司）
体类情感分析（ACSA）旨在预测文本中提到的体类及其对应的情感极性。已经提出了一些联合模式来处理这一任务。给定一个文本，这些联合模型检测文本中提到的所有方面类别，并立即预测对它们的情感极性。尽管这些联合模型获得了有希望的性能，但它们为每个方面类别训练单独的参数，因此存在某些方面类别的数据不足的问题。为了解决这个问题，我们提出了一种新的联合模型，其中包含一个共享的情感预测层。共享的情感预测层在方面类别之间传递情感知识，并解决了数据不足引起的问题。在SemEval-2016数据集上进行的实验证明了我们模型的有效性。
2021-10-20 cs.CL
ASAP: A Chinese Review Dataset Towards Aspect Category Sentiment Analysis and Rating Prediction
Meituan（美团）；Dalian University of Technology（大连理工大学）
情感分析在电子商务中受到越来越多的关注。用户评论背后的情感极性对于商业智能具有重要价值。方面类别情感分析（ACSA）和评论评级预测（RP）是检测由细到粗的情感极性的两个基本任务。%同时考虑各方面的情感（ACSA）和总体评论评级（RP）有可能提高整体绩效。ACSA和RP高度相关，通常在现实世界的电子商务场景中联合使用。而大多数公共数据集是分别为ACSA和RP构建的，这可能会限制这两个任务的进一步利用。为了解决这一问题并推进相关研究，我们提出了一个大规模的中国餐馆评论数据集\textbf{ASAP}，其中包括来自中国领先的在线到离线（O2O）电子商务平台的$46,730$真实评论。除了$5$星级评级之外，每个评论都根据其对$18$预定义方面类别的情感极性进行手动注释。我们希望数据集的发布可以为情感分析领域带来一些启示。此外，我们提出了一个直观而有效的ACSA和RP的联合模型。实验结果表明，联合模型优于国家的最先进的基线上的两个任务。
2021-04-30 cs.CL
Crowdsourcing for Beyond Polarity Sentiment Analysis A Pure Emotion Lexicon
University of Southampton（南安普顿大学）
情感分析的目的是揭示通过信息传递的情感。在其最简单的形式中，它是在极性的基础上执行的，其目标是对具有积极或消极情绪的信息进行分类。最近的研究探索了更微妙的方法来捕捉超越极性的情绪。要使这些方法发挥作用，它们需要一个关键的资源：一个适合手头任务的词汇，就它所捕捉的多样性的情感范围而言。在过去，情感分析词典是由语言学家和行为科学家等专家根据严格的规则创建的。词典评估也由专家或黄金标准进行。在我们的论文中，我们提出了一个众包方法的词汇采集，这是可扩展的，成本效益高，不需要专家或黄金标准。我们还比较了人群和专家对词典的评价，以评估整体词典质量和人群的评价能力。
2017-10-04 cs.CL cs.HC
Idioms-Proverbs Lexicon for Modern Standard Arabic and Colloquial Sentiment Analysis
Cairo University（开罗大学）
虽然，在过去十年中，在情感分析（SA）和意见挖掘（OM）系统中的相当数量的工作以及关于这些系统的性能，但是由于语言本身的性质存在的复杂性和挑战，仍然没有期望的性能，特别是对于诸如阿拉伯语的形态丰富语言（MRL）。这些挑战之一是在作者文本或评论中检测成语或谚语短语。成语或谚语是一种独特的言语形式或表达方式。在语法上，它不能从其元素的单独含义来理解，并且当被视为单独的单词时会产生不同的情绪。因此，为了便于自动SA系统的词汇短语的检测和分类的任务，本文提出了AIPSeLEX现代标准阿拉伯语（MSA）和口语的一种新的成语/谚语情感词典。AIPSeLEX是手动收集和注释的句子水平与语义取向（积极或消极）。手工建立和注释的词典的努力报告。此外，我们建立了一个分类器，提取成语和谚语，短语从文本中使用n-gram和相似性度量方法。最后，对各种数据进行了几次实验，包括来自公开的阿拉伯语在线评论网站（社交媒体，博客，论坛，电子商务网站）的阿拉伯语推文和阿拉伯语微博（酒店预订，产品评论和电视节目评论），以评估AIPSeLEX的覆盖范围和准确性。
2015-06-05 cs.CL
Sentiment Analysis For Modern Standard Arabic And Colloquial
Institute of statistical studies and research (ISSR), Cairo University（开罗大学统计研究与研究所）；Cairo University（开罗大学）
博客和社交网络等社交媒体的兴起激发了人们对情感分析的兴趣。随着评论、评级、推荐和其他形式的在线表达的激增，在线意见已经变成了一种虚拟货币，企业希望推销他们的产品，发现新的机会和管理他们的声誉，因此许多人现在都在寻找情感分析领域。在本文中，我们提出了一个基于特征的句子层次的阿拉伯语情感分析的方法。我们的方法是使用阿拉伯语成语/短语词典作为提高阿拉伯语句子中情感极性检测的关键重要性，以及一些小说和丰富的语言动机特征集（上下文增强器，上下文移位器和否定处理），用于冲突短语的句法特征，提高情感分类准确性。此外，我们介绍了一个自动扩展的广泛覆盖的极性词汇的阿拉伯语情感。该词典以黄金标准情感词为种子构建，人工收集和注释，并使用同义词集聚合技术和免费在线阿拉伯语词典和词库自动扩展和检测新情感词的情感倾向。我们的数据集中于现代标准阿拉伯语（MSA）和埃及方言阿拉伯语推特和微博（酒店预订，产品评论等）。使用我们的资源和技术与SVM分类器的实验结果表明高性能水平，准确率超过95%。
2015-05-12 cs.CL
Leveraging ChatGPT As Text Annotation Tool For Sentiment Analysis
College of Science and Engineering, Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学院）；Department of Electronic and Computer Engineering, HKUST（香港科技大学电子与计算机工程系）
本研究提出利用ChatGPT作为情感分析的数据标注工具，实验表明其在推文和亚马逊评论数据集上的准确率分别比最佳词典算法提升20%和25%，显著优于现有无监督方法。
2023-06-18 cs.CL
Words that Matter: The Impact of Negative Words on News Sentiment and Stock Market Index
Korea University（高丽大学）；University of St. Gallen（圣加仑大学）
该研究基于45,723篇韩国经济新闻，利用Word2Vec和余弦相似度构建包含前1,000个负面词的增强词典Sent1000，证明其比原始词典Sent0更能有效捕捉新闻情绪对KOSPI200指数的影响。
2024-02-23 cs.CL
GRACE: Gradient Harmonized and Cascaded Labeling for Aspect-based Sentiment Analysis
School of Information Science and Technology, Southwest Jiaotong University, China（西南交通大学信息科学与技术学院）；Microsoft Research Asia, Beijing, China（微软亚洲研究院，北京）；Institute of Computing Technology, Chinese Academy of Science, Beijing, China（中国科学院计算技术研究所，北京）；University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京）；STCA NLP Group, Microsoft, Beijing, China（微软STCA自然语言处理组，北京）；Work is done during an internship at MSR Asia.（微软亚洲研究院实习（该句为实习说明，非机构名，按要求不应提取，此处修正））
在本文中，我们专注于不平衡的问题，这是很少研究的方面的条款提取和方面的情感分类时，将其视为序列标记任务。此外，以前的工作在标记极性时通常忽略体术语之间的相互作用。我们提出了一个GRadient hArmonized and CascadEd labeling model（GRACE）来解决这些问题。具体而言，级联标记模块的开发，以增强方面的条款之间的交换，并提高注意力的情感标记时，情感极性。极性序列被设计为取决于所生成的方面项标签。为了缓解不平衡的问题，我们扩展了梯度协调机制中使用的目标检测到基于方面的情感分析通过动态调整每个标签的权重。建议GRACE采用后预训练BERT作为其骨干。实验结果表明，该模型在多个基准数据集上实现了一致性改进，并产生了最先进的结果。
2020-09-25 cs.CL
Open-Domain Targeted Sentiment Analysis via Span-Based Extraction and Classification
National University of Defense Technology（国防科技大学）；University of Macau（澳门大学）
开放域定向情感分析的目的是从句子中检测出观点目标及其情感极性。先前的工作通常将此任务制定为序列标记问题。然而，这样的公式化遭受诸如巨大的搜索空间和情感不一致的问题。为了解决这些问题，我们提出了一个基于跨度的提取然后分类框架，其中多个意见目标直接从目标跨度边界的监督下，从句子中提取，相应的极性，然后使用其跨度表示进行分类。在此框架下，我们进一步研究了三种方法，即管道，联合和崩溃的模型。在三个基准数据集上的实验表明，我们的方法始终优于序列标记基线。此外，我们发现，管道模型实现了最好的性能相比，其他两个模型。
2019-06-10 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
Twitter Sentiment Analysis: Lexicon Method, Machine Learning Method and Their Combination
UCL（伦敦大学学院）；London School of Economics and Political Sciences（伦敦政治经济学院）
本文介绍了情感分析的两种方法：i）基于词典的方法; ii）机器学习方法。我们描述了实现这些方法的几种技术，并讨论了如何将它们用于Twitter消息的情感分类。我们提出了一个不同的词汇组合的比较研究，并表明，增强情感词汇与表情符号，缩写和社交媒体俚语表达增加了基于词汇的分类Twitter的准确性。我们讨论了机器学习情感分类的特征生成和特征选择过程的重要性。为了量化Twitter上主要情感分析方法的性能，我们在SemEval-2013竞赛的基准Twitter数据集上运行这些算法，任务2-B。实验结果表明，基于SVM和朴素贝叶斯分类器的机器学习方法的识别效果优于词典法。我们提出了一种新的集成方法，使用基于词典的情感得分作为输入功能的机器学习方法。事实证明，综合方法可产生更精确的分类。我们还表明，采用成本敏感的分类器高度不平衡的数据集产生的情感分类性能提高了7%。
2015-09-18 cs.CL cs.IR cs.LG
Understanding Stigmatizing Language Lexicons: A Comparative Analysis in Clinical Contexts
University of California, Irvine（加州大学尔湾分校）
本研究系统检索并比较分析了四个临床污名化语言词表，发现其语义相似度中等，多数术语为负面评判性表达，强调需制定标准化词表以应对临床文本中的污名化语言挑战。
2025-09-09 cs.CL
Lex2Sent: A bagging approach to unsupervised sentiment analysis
Department of Statistics, TU Dortmund University（统计系，多特蒙德技术大学）
本文提出Lex2Sent，一种无需GPU的无监督情感分析方法，通过训练嵌入模型计算文档与词典嵌入的距离并结合重采样实现bagging效果，性能优于传统词典方法并为少样本微调奠定基础。
2024-10-22 cs.CL
A Scalable, Lexicon Based Technique for Sentiment Analysis
YMCA University of Science & Technology（YMCA科学技术大学）
网络上情感丰富的社交媒体数量的快速增长导致了研究人员对情感分析和意见挖掘的兴趣增加。然而，由于网络上有如此多的社交媒体，情感分析现在被认为是一项大数据任务。因此，传统的情感分析方法无法有效地处理现在每天可用的大量情感数据。研究的主要重点是找到这样一种技术，可以有效地对大数据集进行情感分析。一种可以快速准确地将文本分类为积极，消极和中性的技术。在这项研究中，使用Hadoop对大量推文数据集进行了情感分析，并以速度和准确性的形式衡量了该技术的性能。实验结果表明，该技术在处理大规模情感数据集时具有很好的效率。
2014-10-08 cs.CL cs.IR
Sentiment Analysis of Economic Text: A Lexicon-Based Approach
University of the Balearic Islands（巴利阿里群岛大学）；Brunel University（布鲁内尔大学）；University of Padua（帕多瓦大学）；European Commission, Joint Research Centre（欧盟委员会联合研究中心）；Baruch College（巴鲁克学院）
本文提出一个覆盖广泛且带人工标注情感分数的经济词典EL，并通过与其他词典比较证明其在经济文本情感分析中覆盖率和分类准确性更优。
2024-11-21 cs.CE cs.CL cs.CY
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
Beyond Cosine Similarity: Zero-Initialized Residual Complex Projection for Aspect-Based Sentiment Analysis
School of Economics and Management, Xidian University（西安电子科技大学经济管理学院）
本文提出零初始化残差复数投影与反碰撞掩码角度损失，通过复数空间分离情感极性并增强类别结构一致性，实验表明在ASAP数据集上达到89.23%的Macro-F1分数。
2026-05-14 cs.CL
Building domain specific lexicon based on TikTok comment dataset
The University of Adelaide（阿德莱德大学）
在情感分析任务中，预测句子的情感倾向是一个重要分支。以往的研究多集中在英语的情感分析上，如基于句子的配价、唤醒、支配等分析句子的情感倾向。两种语言的情感倾向不同。例如，汉语和英语之间的句子顺序可能会呈现不同的情感。本文尝试了一种建立领域专用词典的方法。这样，该模型就可以对具有情感倾向的汉语词汇进行分类。该方法在文献[13]的基础上，通过中文TikTok评论和情感词典源（种子词）的词嵌入，训练超密集空间嵌入表。该模型的结果是一个特定领域的词汇，它代表了词的情感倾向。我收集了中国TikTok的评论作为训练数据。通过将训练结果与PCA方法进行比较，评价了该模型在中文情感分类中的性能，结果表明，该模型在中文情感分类中取得了较好的效果。源代码已经发布在github上：https://github.com/h2222/douyin_comment_dataset
2020-12-16 cs.AI 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
Empirical Evaluation of Leveraging Named Entities for Arabic Sentiment Analysis
Konya Technical University（科尼亚技术大学）；University of Manouba（马努巴大学）；University of Colorado（科罗拉多大学）
社交媒体反映了公众对特定事件的态度。事件通常与人、地点或组织有关，即所谓的命名实体。这可以将命名实体定义为承载情感的组件。在本文中，我们潜水超越命名实体识别的情感注释命名实体在阿拉伯语情感分析的开发。因此，我们开发了一种算法来检测的情绪命名实体的基础上，对他们的大多数态度。这使得能够用适当的标签标记命名实体，从而将它们包括在两个模型的情感分析框架中：监督和基于词典。这两种模型都适用于多方言内容的数据集。结果表明，命名实体对监督模型没有很大的影响，而在基于词典的模型中使用它们提高了分类性能，并且优于大多数基线系统。
2019-04-23 cs.CL
Using objective words in the reviews to improve the colloquial arabic sentiment analysis
Jazan University（贾赞大学）
阿拉伯语的情感分析的主要困难之一是口语的存在。在本文中，我们研究的效果，使用客观的话与感性的话对情绪分类的阿拉伯语口语评论，特别是约旦口语评论。评论通常包括情感和客观词，然而，大多数现有的情感分析模型忽略了客观词，因为它们被认为是无用的。在这项工作中，我们创建了两个词汇：第一个包括口语情感词和复合短语，而另一个包含与基于特定估计方法的情感倾向值相关联的客观词。我们使用这些词典来提取情感特征，这些情感特征将作为支持向量机（SVM）的训练输入，以分类评论的情感极性。评论数据集是从JEERAN网站手动收集的。实验结果表明，该方法提高了极性分类相比，两个基线模型，准确率为95.6%。
2017-09-25 cs.CL
A Classification of Adjectives for Polarity Lexicons Enhancement
Universitat Pompeu Fabra（庞培法布拉大学）
主观语言检测是情感分析中最重要的挑战之一。由于在固执己见的文本中的权重和频率，形容词被认为是意见提取过程中的关键部分。这些主观单位越来越频繁地被收集在极性词典中，在这些词典中，它们出现在注释中。然而，目前，任何极性词典都考虑了跨域的先前极性变化。本文证明了大多数形容词的先验极性值会随论域的不同而变化。我们提出了一个领域依赖和领域独立的形容词之间的区别。此外，我们的分析导致我们提出了一个进一步的分类与主观程度：恒定，混合和高度主观形容词。在这种分类之后，极性值将更好地支持情感分析。
2013-03-08 cs.CL
Enhanced Sentiment Interpretation via a Lexicon-Fuzzy-Transformer Framework
本文提出一种结合规则启发式、上下文深度学习和模糊逻辑的混合框架，用于提升领域特定文本中情感极性和强度的识别精度。
2025-12-09 cs.AI cs.CL
Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Singapore University of Technology and Design（新加坡科技设计大学）
基于目标的情感分析或基于方面的情感分析（ABSA）是指在细粒度级别上解决各种情感分析任务，其包括但不限于方面提取、方面情感分类和意见提取。存在上述单个子任务或两个子任务的组合的许多求解器，并且它们可以一起工作来讲述完整的故事，即所讨论的方面，对其的情感以及情感的原因。然而，以前的ABSA研究没有试图一次性提供完整的解决方案。在本文中，我们介绍了一个新的子任务下ABSA，命名为方面的情感三元组提取（ASTE）。特别地，该任务的求解器需要从输入中提取三元组（什么、如何、为什么），其示出目标方面是什么、它们的情感极性是如何的以及它们为什么具有这样的极性（即，观点原因）。例如，“服务员非常友好，意大利面只是普通”中的一个三联体可以是（“服务员”，积极，“友好”）。我们提出了一个两阶段的框架来完成这项任务。第一阶段在一个统一的模型中预测什么、如何和为什么，然后第二阶段将第一阶段预测的什么（如何）和为什么配对，输出三元组。在实验中，我们的框架在这个新的三重提取任务中设定了基准性能。与此同时，它优于一些从最先进的相关方法改编的强基线。
2019-11-21 cs.CL
Optimization Of Cross Domain Sentiment Analysis Using Sentiwordnet
Vidyavardhaka College of Engg.（维迪亚瓦尔达卡工程学院）；Government Engineering College, Hassan（哈桑政府工程学院）
评论的情感分析的任务是使用它们自己的手动构建/自动生成的词典资源来执行的，术语与词典匹配以计算正极性和负极性的术语计数。另一方面，Sentiwordnet与其他词典资源完全不同，它为每个单词提供了正极性和负极性的分数（权重）。一个词的极性，即积极的，消极的和中性的，具有范围在0到1之间的分数，指示具有该情感取向的词的强度/权重。在本文中，我们展示了使用Sentiwordnet，我们如何在句子和文档级别上提高分类的性能。
2013-10-08 cs.CL cs.IR
SentiPrompt: Sentiment Knowledge Enhanced Prompt-Tuning for Aspect-Based Sentiment Analysis
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
基于情感的情感分析（ABSA）是一种新兴的细粒度情感分析任务，其目的是提取情感方面，分类相应的情感极性，并发现作为情感原因的观点。最新的研究倾向于使用端到端框架以统一的方式解决ABSA任务。然而，这些框架可以从下游任务中进行微调，而无需进行任何任务自适应修改。具体来说，他们没有很好地使用任务相关的知识，也没有明确地建模方面和意见术语之间的关系，这阻碍了他们更好的表现。在本文中，我们提出了SentiPrompt使用情感知识增强的提示，以调整统一的框架中的语言模型。我们注入情感方面的知识，意见和极性到提示和明确的模型术语关系，通过构建一致性和极性判断模板，从地面真理三元组。实验结果表明，我们的方法可以优于强基线的三元组提取，对提取，和方面的术语提取与情感分类的显着保证金。
2021-09-17 cs.AI 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
Q-WordNet PPV: Simple, Robust and (almost) Unsupervised Generation of Polarity Lexicons for Multiple Languages
University of the Basque Country (UPV/EHU)（巴斯克大学 (UPV/EHU)）
本文提出了一种简单、鲁棒、（几乎）无监督的基于词典的极性词典自动生成方法qwn-ppv（Q-WordNet as Personalized PageRanking Vector）。我们表明，qwn-ppv优于其他自动生成的词典，这里提出的四个外在评价。它还显示了非常有竞争力的和强大的结果相对于手动注释的。结果表明，没有一个单一的词汇是最好的每一个任务和数据集，极性词汇的内在评价是不是一个很好的性能指标的情感分析任务。当给定语言没有基于领域的注释语料库时，qwn-ppv方法可以轻松地创建高质量的极性词典。
2017-02-06 cs.CL
MaCmS: Magahi Code-mixed Dataset for Sentiment Analysis
University of Galway（戈尔韦大学）；Università Cattolica del Sacro Cuore（圣心天主教大学）
本文提出了首个用于情感分析的Magahi-Hindi-English语码混合数据集MaCMS，通过语言学与统计分析揭示了语码混合结构及语言偏好，并训练基线模型验证了数据集质量。
2024-03-22 cs.CL
Eradicating Social Biases in Sentiment Analysis using Semantic Blinding and Semantic Propagation Graph Neural Networks
Institute of Psychology, Polish Academy of Sciences（波兰科学院心理研究所）；Society for Open Science（开放科学协会）
本研究提出仅靠句法结构与词级情感线索预测情感的SProp GNN，通过语义盲化抵御社会偏见，性能优于词典类方法、准确率接近Transformer模型且偏见更低，兼顾可解释性与效果，填补两类方法的方法学空白。
2025-01-13 cs.CL
Performance Investigation of Feature Selection Methods
Indian Institute of Management（印度管理学院）
随着互联网和Web 2.0社交媒体的普及，情感分析或意见挖掘已经成为一个开放的研究领域。人们在包括博客、论坛、推文等的社交媒体上表达他们的态度和观点，并且情感分析关注从在线文本中检测和提取情感或观点。基于情感的文本分类不同于主题文本分类，因为它涉及基于对主题表达的观点的歧视。特征选择对于情感分析具有重要意义，因为主观文本可能具有较高的维度，这会对情感分析分类器的性能产生不利影响。本文探讨了特征选择方法在情感分析中的适用性，并从查全率、查准率和准确率三个方面研究了它们在分类中的性能。基于2000篇电影评论语料，研究了五种特征选择方法（文档频率、信息增益、增益比、卡方和Relief-F）和三种流行的情感特征词典（HM、GI和Opinion Lexicon）。实验结果表明，信息增益给出了一致的结果，增益比表现出整体最好的情感特征选择，而情感词典的性能较差。此外，我们发现分类器的性能取决于从文本中选择适当数量的代表性特征。
2013-09-16 cs.CL cs.IR cs.LG
Combining Sentiment Lexica with a Multi-View Variational Autoencoder
University College London（伦敦大学学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Microsoft Research（微软研究院）；University of Cambridge（剑桥大学）；University of Copenhagen（哥本哈根大学）
在为数据集分配定量标签时，不同的方法可能依赖于不同的尺度。特别地，当将极性分配给情感词典中的词时，注释者可以使用二进制、分类或连续标签。自然，它是感兴趣的统一这些标签从不同的尺度，既实现最大的覆盖范围内的话，并创建一个单一的，更强大的情感词典，同时保持规模的一致性。我们引入了一个生成模型的情感词汇结合不同的尺度到一个共同的潜在表示。我们实现了一种新的多视角变分自编码器（VAE），称为SentiVAE的模型。我们评估我们的方法通过下游文本分类任务，涉及9个英语情感分析数据集;我们的表示优于6个单独的情感词汇，以及它们的直接组合。
2019-04-05 cs.CL cs.LG
Best Practices in the Creation and Use of Emotion Lexicons
National Research Council Canada（加拿大国家研究委员会）
语言在我们表达自己的方式中起着核心作用。词汇-情感关联词汇在情感分析、产品和政策相关情感跟踪、健康问题研究、故事情感轨迹跟踪等研究和实际应用中有着广泛的应用，然而，不恰当和不正确的使用不仅会导致次优结果，而且会导致直接对人有害的推论。本文汇集了情感计算和人工智能伦理学的思想，提出了创建和使用情感词典时所涉及的一些实际和伦理考虑-最佳实践。我们的目标是提供一套全面的相关考虑因素，以便读者（特别是那些新的工作与情绪）可以在一个地方找到相关信息。我们希望这项工作将促进更多的深思熟虑，当一个人决定什么情绪工作，如何创建一个情绪词汇，如何使用情绪词汇，如何得出有意义的推论，以及如何判断成功。
2023-02-09 cs.CL
Tehran Stock Exchange Prediction Using Sentiment Analysis of Online Textual Opinions
Shahid Beheshti University（沙希德·贝赫什提大学）
在本文中，我们首次研究了社交媒体数据在预测德黑兰证券交易所（TSE）变量方面的影响。我们考虑了三种不同股票的收盘价和日收益率。我们从Sahamyab.com/stocktwits收集了大约三个月的社交媒体数据。为了从在线评论中提取信息，我们提出了一种混合的情感分析方法，结合了基于词典和基于学习的方法。由于波斯语的词汇是不实用的情绪分析在股票市场域，我们建立了一个特定的情绪词汇，这个域。在使用评论的情绪设计和计算每日情绪指数后，我们研究了它们对仅使用历史市场数据的基线模型的影响，并使用多元回归分析提出了新的预测模型。除了情感，我们还考察了评论量和用户的可靠性。我们的结论是，在东京证交所的各种股票的可预测性是不同的，这取决于他们的属性。此外，我们指出，对于预测收盘价只有评论量和预测每日回报的数量和情绪的评论可能是有用的。我们证明了用户的信任系数对三种股票有不同的行为。
2019-09-27 cs.CL cs.LG q-fin.ST
A Deep Neural Architecture for Sentence-level Sentiment Classification in Twitter Social Networking
Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）
本文介绍了一种新的深度学习框架，包括一个基于词典的方法，用于情感标签分布的预测级别。我们建议首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加单词级嵌入的信息。之后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生一个全域特征表示。我们在三个Twitter情感分类数据集上评估了我们的方法。实验结果表明，该模型可以提高Twitter社交网络中情感分析的分类准确率。
2017-06-25 cs.CL
Comparative Study of Sentiment Analysis for Multi-Sourced Social Media Platforms
Manipal Institute of Technology（马尼帕尔理工学院）
由于当今世界技术的快速发展，每秒钟都会产生大量的数据。这一研究领域试图确定人们在社交媒体帖子上的感受或观点。我们使用的数据集是来自Twitter，Reddit等各种社交网站的评论部分的多源数据集。采用自然语言处理技术对所获得的数据集进行情感分析。在本文中，我们提供了一个比较分析，使用基于词汇的技术，机器学习和深度学习的方法。这项工作中使用的机器学习算法是朴素贝叶斯，这项工作中使用的基于词典的方法是TextBlob，这项工作中使用的深度学习算法是LSTM。
2022-12-09 cs.AI cs.CL
Aspect Based Sentiment Analysis with Gated Convolutional Networks
School of Computing and Information Sciences（计算与信息科学学院）；Florida International University（佛罗里达国际大学）
基于方面的情感分析（ABSA）可以提供比一般情感分析更详细的信息，因为它的目的是预测文本中给定方面或实体的情感极性。我们总结以前的方法分为两个子任务：方面类别情感分析（ACSA）和方面术语情感分析（ATSA）。以往的方法大多采用长短期记忆和注意力机制来预测关注目标的情感极性，这往往是复杂的，需要更多的训练时间。我们提出了一种基于卷积神经网络和门控机制的模型，它是更准确和有效的。首先，新的门控Tanh-ReLU单元可以根据给定的方面或实体选择性地输出情感特征。该架构比现有模型中使用的注意力层简单得多。其次，我们模型的计算在训练过程中可以很容易地并行化，因为卷积层不像LSTM层那样具有时间依赖性，门控单元也独立工作。在SemEval数据集上的实验证明了模型的有效性。
2018-05-18 cs.CL
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
A Failure of Aspect Sentiment Classifiers and an Adaptive Re-weighting Solution
Tsinghua University（清华大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于情感的情感分类（ASC）是细粒度情感分析中的一个重要任务。深度监督ASC方法通常将此任务建模为成对分类任务，该成对分类任务采用方面和包含该方面的句子，并输出该句子中方面的极性。然而，我们发现许多现有的方法无法学习有效的ASC分类器，而更像是一个句子级别的情感分类器，因为它们很难处理不同方面的不同极性的句子。本文首先证明了这个问题，使用几个国家的最先进的ASC模型。然后，它提出了一种新的和通用的自适应重新加权（ARW）计划，以调整训练，以显着提高ASC这样的复杂句子。实验结果表明，该框架是有效的\footnote{The dataset and code are available at \url{https://github.com/howardhsu/ASC_failure}.} .
2019-11-04 cs.CL
Transformer-based Multi-Aspect Modeling for Multi-Aspect Multi-Sentiment Analysis
Nanjing University（南京大学）
基于语义的情感分析（ABSA）旨在分析句子中给定方面的情感。最近，基于神经网络的方法在现有的ABSA数据集上取得了可喜的成果。然而，这些数据集倾向于退化到句子级别的情感分析，因为大多数句子仅包含一个方面或具有相同情感极性的多个方面。为了促进ABSA的研究，NLPCC 2020共享任务2发布了一个新的大规模多方面多情感（MAMS）数据集。在MAMS数据集中，每个句子至少包含两个不同的方面，具有不同的情感极性，这使得ABSA更加复杂和具有挑战性。为了解决具有挑战性的数据集，我们重新形式化ABSA作为一个问题的多方面的情感分析，并提出了一种新的基于transformer的多方面建模方案（TMM），它可以捕捉多个方面之间的潜在关系，同时检测句子中的所有方面的情感。在MAMS数据集上的实验结果表明，与BERT和RoBERTa等强基线相比，该方法取得了显著的改进，最终在NLPCC 2020共享任务2评测中排名第2。
2020-11-01 cs.CL
A Unified Generative Framework for Aspect-Based Sentiment Analysis
Fudan University（复旦大学）；Pazhou Lab（琶洲实验室）；New York University（纽约大学）
基于情感分析的情感分析（ABSA）旨在识别方面的条款，其相应的情感极性，和意见条款。ABSA中有七个子任务。大多数研究只关注这些子任务的子集，这导致了各种复杂的ABSA模型，而难以在一个统一的框架中解决这些子任务。在本文中，我们重新定义每个子任务的目标，由指针索引和情感类索引的混合序列，它转换成一个统一的生成公式的ABSA子任务。基于统一的公式，我们利用预训练序列到序列模型BART来解决端到端框架中的所有ABSA子任务。在四个ABSA数据集上针对七个子任务进行的大量实验表明，我们的框架实现了显著的性能增益，并为整个ABSA子任务提供了一个真正统一的端到端解决方案，这可以使多个任务受益。
2021-06-08 cs.CL
A Study of Feature Extraction techniques for Sentiment Analysis
Avinash M National Institute of Technology,Tiruchirapalli , Tanjore Main Road, National Highway 67, Near BHEL Trichy, Tiruchirappalli, Tamil Nadu, 620015. Sivasankar E National Institute of Technology,Tiruchirapalli , Tanjore Main Road, National Highway 67, Near BHEL Trichy, Tiruchirappalli, Tamil Nadu, 620015.
情感分析是指系统地提取主观文本意义的研究。当使用机器学习技术从主观文本中分析情感时，特征提取成为重要的部分。我们对特征提取技术TF-IDF的性能进行了研究（词频-逆文档频率）和Doc 2 vec（文档到向量）使用康奈尔电影评论数据集、UCI情感标记数据集、斯坦福电影评论数据集，通过使用各种预处理，有效地将文本分类为正极性和负极性，处理方法，如消除StopWords和标记化，这在分类器所花费的准确性和时间方面提高了情感分析的性能。在对文本应用特征提取技术之后，使用分类器Logistic回归、支持向量机、K-最近邻、决策树和Bernoulli Nave Bayes对句子进行训练和测试
2019-06-04 cs.CL
SlangSD: Building and Using a Sentiment Dictionary of Slang Words for Short-Text Sentiment Classification
Arizona State University（亚利桑那州立大学）
社交媒体中的情绪越来越被认为是客户细分，市场理解和解决其他社会经济问题的重要资源。然而，社交媒体中的情绪很难衡量，因为用户生成的内容通常很短，而且不正式。虽然许多传统的情感分析方法已经被提出，识别俚语情感词仍然没有解决。原因之一是俚语情感词在现有的词典或情感词典中不可用。为此，我们建议建立第一个俚语情感词典，以帮助对社交媒体内容进行情感分析。收集和标注一个完整的俚语列表的情感极性是费力和耗时的。我们提出了一种方法，利用网络资源，构建一个广泛的俚语情感词词典（SlangSD），易于维护和扩展。SlangSD可公开用于研究目的。我们经验表明，使用SlangSD，新建成的俚语情感词词典的情感分类的优势，并提供的例子证明其易用性与现有的情感系统。
2016-08-17 cs.CL
