Mar, 2024

阿拉伯文字情感分析：以广泛主题分析强化人工调查

PDF
TL;DR通过对已发表的 133 篇英文 ASA 论文的深入研究和 2297 篇 ASA 出版物的广泛研究，本文揭示了 ASA 的常见主题、应用领域、方法、技术和算法，并强调了 ASA 所面临的挑战和未来发展方向。
sentiment analysisarabic sentiment analysismachine learningcorporaasa tools
发现论文，激发创造
  • 乌尔都语音与文本情感分析器

    本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

    Jul, 2022

  • 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

  • 多语言情感分析的集成语言模型

    社交媒体的快速发展使得我们能够分析用户意见。尽管常用语言的情感分析已经取得了显著的进展，但由于资源限制，低资源语言像阿拉伯语等仍然很少有研究。本研究探讨了 SemEval-17 和阿拉伯语情感推文数据集上的推文文本的情感分析，并研究了四种预训练语言模型以及提出了两种集成语言模型。我们的发现包括单语言模型表现出更好的性能，集成模型优于基线，而多数投票集成模型胜过英语。

    Mar, 2024

  • 面向阿拉伯语多模态情感分析数据集

    本文主要研究了基于深度学习与多模态语料库的阿拉伯情感分析的数据集，通过使用最先进的 transformers 和特征提取工具来建立我们的阿拉伯多模态数据集，并使用 state-of-the-art 的 transformer-based model 验证我们的数据集，研究表明阿拉伯多模态情感分析非常有前途。

    Jun, 2023

  • 基于方面的情感分析（ABSA）的系统综述：领域、方法与趋势

    该论文通过系统文献综述方法对 Aspect-based Sentiment Analysis (ABSA) 研究进行了研究领域、数据集领域和研究方法的分析，揭示了 ABSA 研究文献中存在的一些系统性问题，并提出了一些建议。

    Nov, 2023

  • 基于方面的情感分析数据集综述

    该研究提供了一个数据库的语料库被用于训练和评估自主 ABSA 系统，对于研究人员选择语料库时应考虑的一些特点进行了概述，分析了目前的收集方法的利弊，并建议未来 ABSA 数据集收集，在 65 个公开可用的 ABSA 数据集上进行了调查。

    Apr, 2022

  • 阿拉伯语的多层情感分析

    研究 Arabic 情感分析，提出了一种基于机器学习的方法和特征向量，使用人工神经网络分类器，在单词级别和文档级别进行情感分析，在单词级别获得的平均 F1-score 为 0.92，在文档级别的正类为 0.94，负类为 0.93。

    May, 2022

  • 基于方面的情感分析研究综述：任务、方法和挑战

    该文系统地综述了目前各种基于方面的情感分析（ABSA）任务及其解决方案，包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表，并强调了近年来对多元素 ABSA 任务研究的重要性。同时，该文总结了预训练语言模型在 ABSA 中的应用，介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术，并讨论了 ABSA 未来发展的方向与挑战。

    Mar, 2022

  • 具噪深层可解释模型的阿拉伯情感分析

    本研究提出了一种可解释的情感分类框架，通过在双向长短期记忆（BiLSTM）和卷积神经网络（CNN）-BiLSTM 模型上引入噪声层，克服了过拟合问题，实验证明添加噪声层可以提高阿拉伯语情感分析的性能。

    Sep, 2023

  • ArSentD-LEV：基于目标词的阿拉伯黎凡特推文情感分析的多主题语料库

    本研究介绍了一个阿拉伯方言情感数据集（ArSenTD-LEV），包含 4,000 条推文，并提供了整体情感、情感表达方式、情感表达目标和推文主题等注释，研究结果表明这些注释可以提高基线情感分类器的性能，也确认了训练与测试领域不匹配的差距。

    May, 2019