情感 / 意见分析反思
本文提出情感分析模型应该能预测人的其他心理状态,通过研究情感分析模型与情绪状态之间的关系并最终使用预训练模型来评估参与者的作品,得出情感分析模型能在预测分数方面表现良好,但是分数与人的自我检查情绪没有相关性。
Jun, 2018
我们通过对 189 篇同行评审论文在应用程序、模型和数据集方面的批判性研究,对情感分析(SA)的社会技术方面进行了探究,并从中发现情感分析已成为不同的社会技术系统的重要组成部分,对社会和技术用户产生影响。我们深入社会学和技术文献,揭示了在金融、政府和医疗等领域中对这一概念的不同概念化。我们的研究揭示了情感的明确定义和框架的缺失,从而可能带来挑战和偏见。为了解决这个问题,我们提出了一份伦理表,包含关键问题,以指导从业人员确保情感分析的公平利用。我们的发现强调了在定义 SA 中的情感方面采用跨学科方法的重要性,并为其实施提供了实用的解决方案。
Oct, 2023
通过计算机辅助文献综述,发现情感分析的起源可以追溯到 20 世纪初进行的公共舆情分析和 20 世纪 90 年代的文本主体性分析,但基于网络上的主观文本的情感分析爆发是在 2004 年之后。最近几年,情感分析已经从分析在线产品评论转移到分析来自 Twitter 和 Facebook 等社交媒体的文本。感情分析的应用还扩展到股票市场、选举、灾害、医学、软件工程和网络欺凌等许多主题。
Dec, 2016
提出一种新的机器学习方法,将文本分类技术应用于文档的主观部分,通过寻找图中的最小割点,可以快速获取主观部分,大大提高交叉句子上下文约束的整合效率,以确定情感极性。
Sep, 2004
本文介绍了机器学习在情感分析领域的最新进展,并对情感分析的起源、任务、挑战、方法和资源使用以及应用进行了概述。此外,文中还讨论了情感分析存在潜在有害影响的问题,并介绍了追求情感分析公平性的最新研究方向。
May, 2020
这篇论文研究了新闻文章情感分析的不同点,并且提出了三个需要解决的子任务,同时尝试从新闻文章中分离出正负面情感并挖掘其中的实体,最终得到的实验结果表明,忽略专业领域的词汇能够在新闻观点挖掘的任务中产生更好的效果。
Sep, 2013
情感分析是一项成熟的自然语言处理任务,其中情感极性分类是最受欢迎和代表性的任务之一。然而,尽管在这个领域预训练的语言模型取得了成功,但它们往往无法完全捕捉情感分析的更广泛复杂性。为了解决这个问题,我们提出了一项名为 SOUL 的新任务。SOUL 通过两个子任务 —— 评论理解和理由生成,旨在评估情感理解能力。评论理解旨在验证基于评论文本的主观信息的陈述,而理由生成要求模型为其情感预测提供解释。通过标注一个包含 15,028 个陈述的新数据集,综合评估的结果显示,SOUL 对于小型和大型语言模型而言都是一项具有挑战性的任务,性能差距高达 27%。此外,与人类专家和 GPT-4 进行的评估凸显了小型语言模型在生成基于推理的理由方面的局限性。这些发现突显了现有模型在 SOUL 任务上的挑战性质,强调了在情感分析中进一步提升以应对其复杂性的需求。新数据集和代码可在此 URL 上获得。
Oct, 2023
本研究提出一种使用读者眼动模式获取认知特征的方法,以增强情感分析和讽刺检测的性能,结果表明:使用这种增强型特征集合可以将极性检测的 F 分数最高提升 3.7%和 9.3%。
Jan, 2017