EMNLPOct, 2023

情感问题：拆解情感分析的关键调查

PDF
TL;DR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。
sentiment analysissociotechnical aspectsapplicationsconceptualizationsethics sheet
发现论文，激发创造
  • 自然语言处理中情感分析技术的探究：综述

    本文详细阐述了情感分析的最新趋势和技术，通过系统综述了词汇、图形、网络、深度学习和规则等方法并比较分析数据集和评价指标，展现了情感分析的广泛应用领域，并旨在提高情感分析的效率和准确性。

    May, 2023

  • 情感分析的综合评述：任务、方法和应用

    情感分析是文本挖掘中的新兴领域，通过计算地识别和分类在不同社交媒体平台上表达的观点，对于了解顾客对产品、服务和最新市场趋势的心态起着重要作用。这篇综述论文定义了情感以及在语音、图像、视频和文本等不同领域中的最新研究和发展，同时还讨论了情感分析的挑战和机遇。

    Nov, 2023

  • 数字空间中的情感分析：对评论的概述

    情感分析是应用于数字文本数据的常见方法，总结了现有工作，但忽视了对有效性和科学实践的讨论。我们通过综合 38 个系统性综述和 2,275 项主要研究，提出了一个针对系统评价方法和报告标准的专属质量评估框架，发现了多样的应用和方法、有限的报告严谨性以及随时间推移的挑战。我们讨论了未来研究和从业者如何解决这些问题，并强调它们在许多应用中的重要性。

    Oct, 2023

  • 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

  • 情感分析的演进 - 对研究主题、会议和高引用论文的综述

    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

  • 情感分析问题尚未解决！评估和探究情感分类

    本文提出使用神经网络方法进行情感分析，从而有效解决相关问题，同时提供了一个数据集用于挑战现有的情感分类器在处理逻辑和语言现象方面的表现。

    Jun, 2019

  • 情感分析在现实场景中的应用与挑战

    本章介绍了情感分析在现实生活场景中的应用和相关挑战，重点关注情感分析在健康、社会政策、电子商务、数字人文等领域的五个应用，探讨了为什么情感分析在这些领域中具有重要和挑战性，并介绍了当前情感分析研究如何处理这些应用。虽然使用深度学习技术是跨越这些应用的流行范例，但隐私和数据集选择偏差等挑战是几个应用中反复出现的主题。

    Jan, 2023

  • 社交媒体视觉文本情感分析综述

    本文研究了多模态情感分析领域，探讨了社交媒体网络上发布的视觉和文字数据，并提供了包括数据预处理、特征提取技术、情感基准数据集以及适用于不同领域的多种分类方法和数据融合策略。同时，我们还介绍了该领域面临的主要挑战和关键的情感应用。

    Jul, 2022

  • 大语言模型时代的情感分析：现实检验

    本文讨论了大型语言模型在情感分析任务中的有效性，对 13 项不同的任务进行了评估，在简单任务中表现良好，但在涉及更深层次理解和结构化情感信息方面仍有待提高；然而，在资源有限的情况下，大型语言模型表现出色，提供了潜在可能性。该研究提出了一个新的基准评估框架 SentiEval。

    May, 2023

  • 情感分析的因果性质

    情感分析将情感表达在文本中进行识别，本文将情感分析分解为两个任务：区分评论是否 “引导” 情感或情感是否 “引导” 评论的因果假设，以及使用评论预测情感的传统任务。利用心理学中的峰 - 尾规则，我们通过计算整体情感得分来将样本分类为两种因果假设。对于预测任务，我们根据样本中发现的因果机制提出因果提示，以改进 LLMs 性能，从而在零样本五分类情感分析中实现了高达 32.13 F1 分的显著提升。

    Apr, 2024