Nov, 2022

情感分析自动标注方法比较

PDF
TL;DR本研究比较了三种情感自动标注技术用于推特情感分析，结果表明 Afinn 自动标注技术应用于 BiLSTM 深度学习模型具有最高的准确率，为 80.17％（DS-1）和 80.05％（DS-2），这表明自动文本标注可以提供显着的好处并提供了替代耗时和费用的人工标注工作的可行方案。
automatic sentiment labellingsupervised machine learningtextblobvaderafinn
发现论文，激发创造
  • 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

  • 基于 LSTM 的 Twitter 情感分析模型

    使用收集到的七个手动标注的 Twitter 情感数据集，建立 LSTM 模型来对推文情感进行分类，并使用新数据集对模型进行评估。

    Dec, 2022

  • 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

  • 多语言推特情感分类：人类标注员的角色

    该研究分析使用不同语言的大量手动标记的推文作为训练数据构建自动分类模型时，训练数据的质量和数量对于分类模型的质量比所使用的模型类型更为重要，并且当训练集的大小足够大时，模型的性能接近于标注者一致性，但定期监视标注者的一致性是非常重要的，从而改善训练数据集和模型性能，最后我们还表明，有强有力的证据表明，人们认为情感类别（消极的，中性的和积极的）是有序的。

    Feb, 2016

  • 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

  • SemEval-2013 任务 2：Twitter 中的情感分析

    通过提出 SemEval-2013 任务 2：Twitter 情感分析的表达级子任务和消息级子任务以及在亚马逊机械土耳其上使用众包技术标记大型 Twitter 训练数据集及其他的测试集，对情感分析在社交媒体上进行了研究。该研究因结果的准确性获得了广泛关注和讨论。

    Dec, 2019

  • 零样本基于提示的分类：德语推文中的主题标签

    基于最新的自然语言处理技术，本研究通过使用基于写作指南的文本对文本界面而无需提供培训样本的方法，评估其在实际应用中自动化注释任务中的效果，结果表明即使受到本地计算资源限制，这种以提示为基础的方法与经过优化的 BERT 模型相当，且无需任何已标记的训练数据。

    Jun, 2024

  • 社交媒体帖子的情绪检测

    研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

    Feb, 2023

  • 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

  • W2VLDA: 面向方面的情感分析的几乎无监督系统

    本文描述了一种无需大量手动标注数据的几乎无监督的系统 W2VLDA，配合一些其他无监督方法和最小配置，能够为任何给定的领域和语言执行方面 / 类别分类，分离方面术语 / 观点词和情感极性分类，并在多语言数据集 SemEval 2016 任务 5（ABSA）中获得具有竞争力的结果（对于英语、西班牙语、法语和荷兰语的酒店、餐馆、电子设备等领域）。

    May, 2017