论文泛读156使用情感分析方法从社交媒体文本语料库中识别消极因素

Posted 2021-08-04 及时行樂_

贴一下汇总贴：论文阅读记录

论文链接：《Identifying negativity factors from social media text corpus using sentiment analysis method》

一、摘要

自动情感分析在决策中起着至关重要的作用。许多组织花费大量预算通过手动查看他们的反馈/评论或推文来了解他们的客户满意度。自动情绪分析可以提供针对任何事件、产品或活动收到的评论的总体情况。通常，评论/推文分为负面或正面两大类。但是，负面评论过于抽象，无法理解基本原因或上下文。组织有兴趣确定消极的确切原因。在这项研究中，我们按层次深入到负面评论，并将它们与更多类别联系起来。推文是从 Twitter 和 Facebook 等社交媒体网站中提取的。如果情感分析将任何推文归类为负面类，然后我们进一步尝试将负面评论与更多可能的负面类别相关联。根据专家意见，负面评论/推文进一步分为 8 类。评估了不同的机器学习算法并报告了它们的准确性。

二、结论

利用社交媒体分享你的感受现在非常普遍。人们在他们的社交媒体账户或群组上分享他们的快乐、悲伤、成就或不满。社交媒体上的不同趋势可以起到非常积极的作用，甚至有时会截然相反。在这项研究中，我们使用情感分析将推文分为积极和消极两类。后来，我们进一步把负类和次负类联系起来。根据专家的意见，负面等级被进一步分为8个等级，包括恐怖主义、政治、腐败、不公正、失败、犯罪、社会方面和经济方面。创建新的数据集并评估不同的机器学习模型，包括线性SVM(支持向量机)、朴素贝叶斯、逻辑回归、BOW(带Keras的词包)。最后，基于这些与类的负映射，巴基斯坦的地理位置被突出显示，在那里人们可以观察到巴基斯坦的哪个区域正面临什么样的问题。在未来的工作中，我们正在扩展我们的乌尔都语字体和罗马乌尔都语框架，这样我们就可以大规模地自动分析与消极相关的人们的意见。

三、Methodology

1. 收集了推文，并且只针对巴基斯坦地区
2. 使用了Flair API的最先进的情绪分析，提取了10000条推文，然后将推文分为正面或负面。
3. 请了三位专家，把这2577条推文手工注释成8类。如果两个专家有相同的注释，则选择该类的最终标签。
4. 将数据集分为两组，即训练组和测试组。测试集的比率设置为33%。

与其他方法相比，逻辑回归方法的性能稍好一些，SVM也非常接近，使用SVM二次或三次核可以提高精度。