Dec, 2015

SentiBench - 现状情感分析方法的基准比较

PDF
TL;DR本研究对二十四种正当实践的情感分析方法进行了基准比较，覆盖社交网络、电影、产品评论、新闻文章等十八个数据集，并提供了这些方法的代码和数据集以供使用。结果表明这些方法的预测性能在不同数据集上变化不大。
sentiment analysislexicon-based methodsupervised machine learningbenchmark comparisonprediction performance
发现论文，激发创造
  • 多源社交媒体情感分析的比较研究

    本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

    Dec, 2022

  • 软件工程研究中情感分析的基准研究

    本文对三种软件工程特定定制的情感分析工具的性能和可靠性进行了基准研究，分析了错误分类文本的质量，从而反思分析出了面临的挑战。

    Mar, 2018

  • 评估当前最优情感模型在当前最优情感数据集上的表现

    本文通过在六个不同的基准上比较多个模型，展示了 Bi-LSTMs 在不同数据集上都有出色表现，并说明 LSTMs 和 Bi-LSTMs 对于多分类细粒度情感任务非常适用。此外，文章还指出，在训练过程中将情感信息融入词嵌入向量可以显著提高与训练数据相似的数据集的效果，有效促进了不同模型结构在不同数据集上的性能的理解和研究。

    Sep, 2017

  • 多模态推文情感分析方法的公平和全面比较

    本文主要研究社交媒体上的观点和情感分析，提出了六种最先进的方法，并重新实现其中一种以进行综合实验评估和比较。此外，研究了覆盖内容不同方面的不同文本和视觉特征嵌入以及最近引入的多模式 CLIP 嵌入等。研究结果基于发布在公共数据集的推文和相应的图像进行比较，引入了可复制和公平的评估方案。最后，还对方法的局限性和未来工作的可能性进行了误差分析。

    Jun, 2021

  • 使用自然语言处理和不同机器学习技术进行情感分析在美国航空公司 Twitter 数据上的比较研究

    本文介绍了两种自然语言处理技术（词袋和 TF-IDF）以及各种机器学习分类算法（支持向量机，逻辑回归，多项式朴素贝叶斯，随机森林）来分析大型，不平衡和多类数据集上的情感分析。最佳方法使用支持向量机和逻辑回归的词袋技术提供 77％的准确性。

    Oct, 2021

  • 面向方面的情感分析技术：一项比较研究

    通过比较分析，本研究探讨了深度神经网络在基于方面的情感分析方面的应用，并发现 FAST LSA 在两个基准数据集（Restaurant14 和 Laptop-14）上取得了最佳结果，准确率分别为 87.6% 和 82.6%，但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。

    Jul, 2024

  • 情感分析图书馆的比较分析

    本研究旨在比较不同机器学习方法下的图书馆，并探讨了自然语言处理领域对文本变化的情感分析。研究使用了多种合作方法来分类情感极性，并对使用的库进行了讨论。研究采用了多种机器学习模型和四个评估指标，得出 BERT 转换器方法在情感分析中具有较高准确度。

    Jul, 2023

  • 基于深度学习的情感分析：一项比较研究

    本文综述了在自然语言处理（NLP）方面使用深度学习模型进行情感分析的最新研究，评估了使用词频 - 逆文档频率（TF-IDF）和词嵌入技术的不同模型和输入特征，并对实验结果进行了比较研究。

    Jun, 2020

  • 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

  • 使用机器学习和自然语言处理方法进行情感分析中 Reddit 评论的性能评估

    使用 GoEmotions 数据集评估情感分析模型的效能并扩展研究范围，发现 RoBERTa 模型在细粒度情感分类任务上表现出色，推动了情感分析能力的发展。

    May, 2024