EMNLPSep, 2013

情感分析：如何从 SentiWordNet 中推导出先前的极性

PDF
TL;DR本文通过融合各种先前极性技术，构建一个学习框架，使用两个不同版本的 SentiWordNet，以不同的数据集和任务测试回归和分类模型，得到了优于单一指标的新一代情感分析词语 prior 极性估计方法，并发现了词语 Part of Speech 和标注者性别对计算先前极性得分的有趣偏差。
sentiment analysisprior polarity scoressentiwordnetregression modelsclassification models
发现论文，激发创造
  • 评估词语情感强度在极性之前

    该研究对情感分析中的词汇分类方法进行了探究，比较了 14 种公式的性能，选择最符合人类判断的用于计算词汇极性。

    Dec, 2012

  • SentiWords: 情感分析高精度高覆盖率词汇表的推导

    本论文提出了一种集成方法，将手动构建的先前极性词典与基于 SentiWordNet 的方法进行比较和融合，从而创建了一个在情感分析中表现出高精度和高覆盖率的先前极性词典 SentiWords，并在情感分析任务中证明了其优于 SentiWordNet 和手动标注情感词典的表现。

    Oct, 2015

  • Twitter 上跨语言情感分类的简单方法

    本文提出了一种简单易用的多语言情感分析框架，旨在作为情感分析测试基线和构建新情感分析系统的起点。该框架经过在 8 种不同语言的比较中，在其中三种语言的国际竞赛中名列前茅，在其他语言中也超越了报告的结果。

    Dec, 2016

  • 具有对立极性的单词情感组成

    本文研究了带有至少一个积极词和至少一个消极词的短语的情感组合，构建了一个对应数据集并分析其中的语言模式，并应用多种无监督和有监督技术，最终得到了一种准确率超过 80% 的最佳情感组合系统。

    May, 2018

  • 揭示影响情感分析中判断变异的因素：自然语言处理和统计学

    通过分析西班牙语的 TripAdvisor 评论，本研究探讨了影响众包极性判断变异的三个重要因素：词性、情感词以及中性词。研究结果表明，单词标题中的形容词倾向于导致较低的判断变异，情感词和中性词也对判断变异起到了一定的影响。然而，这些影响在更长的标题中无法复现，这暗示更长的标题并不适合用来测试单词的歧义性。这项实证研究为研究人员提供了有价值的深入了解影响单词极性变异的因素，为自然语言处理从业者利用西班牙语数据进行极性判断和预测的研究奠定了基础。

    May, 2024

  • 利用多任务学习否定词改进情感分析

    本文提出了一种多任务方法，通过将否定信息显式地纳入情感分析模型中，以优于隐式学习否定。该方法采用级联神经体系结构，并选择性共享 LSTM 层，同时在多个标准英语数据集上分析了该方法的性能，包括其多种不同设置下的输入数据类型和数量。

    Jun, 2019

  • 自然语言处理中的否定检测和词语消歧的语义方法

    本研究旨在演示一种通过词义消歧唯一地评估文本的词汇结构以检测否定的方法，从而解决否定对情感分析的影响，达到更好的准确性，并且在情感分析方面比传统方法有着显著的提高。

    Feb, 2023

  • 基于词典和机器学习的情感分析比较：是否存在离群词？

    基于词典的情感分析方法与基于机器学习的方法对比，发现词典中的词汇对于情感得分的差异具有依赖性，而没有明显的词汇能够系统性地引起情感得分的差异。

    Nov, 2023

  • 情感分类的统计分析框架

    本文提出了一个基于统计语法分析的句子级情感分类框架，在此我们发展了一个统计分析器来直接分析句子的情感结构，并在上下文自由语法的基础上形成情感规则。我们训练情感分析器 s.parser，从用户评级的大量评论句子中直接获得情感极性标签，利用情感树得到情感强度和情感极性的极性模型和最佳情感树的排名模型，结果表明该方法显著优于基准情感分类方法。

    Jan, 2014

  • 从未标记的语料库中诱导特定领域情感词典

    通过使用领域特定的词向量和标签传播框架，结合少量种子单词，创造与手动资源相媲美的精准的领域特定情感词典，用于量化情感在时间和社区之间的差异，并在此基础上，提出了历史情感词汇表和社区特定情感词汇表。

    Jun, 2016