Тестирование методов анализа тональности текста, основанных на словарях

Main Article Content

Елена Викторовна Тутубалина
Владимир Владимирович Иванов
Мария Загулова
Никита Мингазов
Ильсеяр Алимова
Валентин Малых

Аннотация

Технологии анализа тональности текста развиваются интенсивно, что обусловлено ростом объемов открытых источников, представляющих мнения пользователей интернета по различным вопросам. В статье описаны методы для анализа тональности текстов отзывов и коротких сообщений (твитов), приводятся результаты оценки их качества, которая производилась в рамках российского семинара SentiRuEval-2015.

Article Details

Биографии авторов

Елена Викторовна Тутубалина

Аспирант Высшей школы информационных технологий и информационных систем Казанского федерального университета. 

Владимир Владимирович Иванов

Старший преподаватель кафедры интеллектуальных технологий поиска Высшей школы информационных технологий и информационных систем Казанского федерального университета. 

Мария Загулова

Студент Высшей школы информационных технологий и информационных систем Казанского федерального университета.

Никита Мингазов

Лаборант-исследователь НИЛ «Большие данные и анализ текста» Высшей школы информационных технологий и информационных систем Казанского федерального университета.

Ильсеяр Алимова

Аспирант Высшей школы информационных технологий и информационных систем Казанского федерального университета. 

Валентин Малых

Аспирант Института системного анализа РАН.

Библиографические ссылки

Nakov P., Kozareva Z., Ritter A., Rosenthal S., Stoyanov V., Wilson T. Semeval-2013 Task 2: sentiment analysis in Twitter // Proceedings of the 7th International Workshop on Semantic Evaluation (SemEval-2013). 2013. P. 312-320.
2. Rosenthal S., Ritter A., Nakov P., Stoyanov V. SemEval-2014 Task 9: sentiment analysis in Twitter // Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014). 2014. P. 73-80.
3. Chetviorkin I.I., Braslavski P.I., Loukachevitch N.V. Sentiment analysis track at ROMIP 2011 //Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной Международной конференции «Диалог». 2011. C. 739-746.
4. Loukachevitch N.V., Blinov P.D., Kotelnikov E.V., Rubtsova Yu.V., Ivanov V.V., Tutubalina E. SentiRuEval: testing object-oriented sentiment analysis systems in Russian // Компьютерная лингвистика и интеллектуальные технологии: По материалам ежегодной Международной конференции «Диалог». 2015. Вып. 14 (21). С. 2-13.
5. Popescu A.M., Etzioni O. Extracting product features and opinions from reviews // Natural language processing and text mining. ACL, 2007. P. 9-28.
6. Jakob N., Gurevych I. Extracting opinion targets in a single-and crossdomain setting with conditional random fields // Proceedings of the 2010 Conference on Empirical Methods in Natural Language Processing. ACL, 2010. P. 1035-1045.
7. Kiritchenko S., Zhu X., Cherry C., Mohammad S.M. NRC-Canada-2014: Detecting aspects and sentiment in customer reviews // SemEval 2014. NAACL, 2014. P. 437-442.
8. Chernyshevich M. IHS R&D Belarus: cross-domain Extraction of product features using conditional random fields // SemEval 2014. Dublin, 2014. P. 309-313.
9. Moghaddam S., Ester M. On the design of LDA models for aspect-based opinion mining // Proceedings of the 21st ACM International Conference on Information and Knowledge Management. ACM, 2012. P. 803-812.
10. Zhao Y., Qin B., Liu T. Clustering product aspects using two effective aspect relations for opinion mining // Chinese Computational Linguistics and Natural Language Processing Based on Naturally Annotated Big Data. Springer International Publishing, 2014. P. 120-130.
11. Poria S., Cambria E., Ku L. W., Gui C., Gelbukh A. A rule-based approach to aspect extraction from product reviews // Proceedings of the Second Workshop on Natural Language Processing for Social Media (SocialNLP). 2014. P. 28-37.
12. Turney P.D. Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews // Proceedings of the 40th Annual meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2002. P. 417-424.
13. Pang B., Lee L., Vaithyanathan S. Thumbs up?: sentiment classification using machine learning techniques // Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing-Volume 10. – Association for Computational Linguistics, 2002. P. 79-86.
14. Pang B., Lee L. Opinion mining and sentiment analysis // Foundations and Trends in Information Retrieval. 2008. V. 2, No 1-2. P. 1-135.
15. Blinov P., Klekovkina M., Kotelnikov E., Pestov O. Research of lexical approach and learning methods for sentiment analysis // Computational Linguistics and Intellectual Technologies. 2013. No 2 (12). P. 48-58.
16. Lu B., Ott M., Cardie C., Tsou B.K. Multi-aspect sentiment analysis with topic models // Data Mining Workshops (ICDMW), 2011 IEEE 11th International Conference. IEEE, 2011. P. 81-88.
17. Pontiki M., Papageorgiou H., Galanis D., Androutsopoulos I., Pavlopoulos J., Manandhar S. Semeval-2014 task 4: aspect based sentiment analysis // Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014). 2014. P. 27-35.
18. Go A., Bhayani R., Huang L. Twitter sentiment classification using distant supervision // CS224N Project Report, Stanford. 2009. V. 1. P. 12.
19. Sidorov G., Miranda-Jimenez S., Viveros-Jimenez F., Gelbukh A., Castro-Sanchez N., Velasquez F., Gordon J. Empirical study of machine learning based approach for opinion mining in tweets // Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2013. P. 1-14.
20. Sakaki T., Okazaki M., Matsuo Y. Earthquake shakes Twitter users: real-time event detection by social sensors // Proceedings of the 19th International Conference on World Wide Web. ACM, 2010. P. 851-860.
21. Gupta N.K. Extracting phrases describing problems with products and services from twitter messages // Computación y Sistemas. 2013. V. 17, No 2. P. 197-206.
22. Davidov D., Tsur O., Rappoport A. Semi-supervised recognition of sarcastic sentences in twitter and amazon // Proceedings of the Fourteenth Conference on Computational Natural Language Learning. Association for Computational Linguistics, 2010. P. 107-116.
23. Taboada M., Brooke J., Tofiloski M., Voll K., Stede M. Lexicon-based methods for sentiment analysis // Computational Linguistics. 2011. V. 37, No 2. P. 267-307.
24. O’Connor B., Balasubramanyan R., Routledge B.R., Smith N.A. From tweets to polls: linking text sentiment to public opinion time series // ICWSM. 2010. V. 11. P. 122-129.
25. Mohammad S.M., Kiritchenko S., Zhu X. NRC-Canada: building the state-of-the-art in sentiment analysis of tweets // Second Joint Conference on Lexical and Computational Semantics (* SEM). 2013. V. 2. P. 321-327.
26. Evert S., Proisl T., Greiner P., Kabashi B. SentiKLUE: updating a polarity classifier in 48 hours // SemEval 2014. 2014. P. 551.
27. Barbosa L., Feng J. Robust sentiment detection on twitter from biased and noisy data // Proceedings of the 23rd International Conference on Computational Linguistics: Posters. Association for Computational Linguistics, 2010. P. 36-44.
28. Martinez-Camara E., Martin-Valdivia M.T., Urena-Lopez L.A., Montejo-Raez A.R. Sentiment analysis in twitter // Natural Language Engineering. 2014. V. 20, No 01. P. 1-28.
29. Chetviorkin I., Loukachevitch N. Evaluating sentiment analysis systems in Russian // ACL 2013. 2013. P. 12-17.
30. Frolov A.V., Polyakov P.Yu., Pleshko V.V. Using semantic filters in application to book reviews sentiment analysis // Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной Международной конференции «Диалог». 2013. No 12 (19).


Наиболее читаемые статьи этого автора (авторов)