Анотація
Дані із соціальних мереж привертають увагу дослідників завдяки широкому використанню їх у повсякденному житті та чиннику новизни у поєднанні з доступністю, що слугує сильною мотивацією для досліджень аналізу тональності текстів. З огляду на це, постала низка технічних проблем, які ще не вирішили ні лінгвісти, ні NLP-спільнота. Часто у своїх публікаціях користувачі вживають саркастичні висловлювання, багатозначні слова, а в межах одного судження можуть бути наявні як позитивні, так і негативні настрої. Також це стосується і заперечних часток, які не завжди вказують на негативну тональність. У цій статті розглянуто чотири виклики, з якими стикаються дослідники під час проведення сентимент-аналізу, а саме: сарказм, заперечення, багатозначність та мультиполярність. Ці аспекти значно впливають на точність результатів під час визначення тональності. Також висвітлено сучасні підходи до розв’язання питання.
Посилання
Pang B., Lee L. Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, vol. 2: No. 1–2, 2008, pp. 1-135.
Liu, B. Sentiment analysis: Mining opinions, sentiments, and emotions, 2015.
Camp E. Sarcasm, pretense, and the semantics/pragmatics distinction. Noûs. 46, 2011.
Kumar L., Somani A., Bhattacharyya P. Approaches for computational sarcasm detection: A survey. ACM CSUR, 2017.
Ghosh A., Veale T. Fracking sarcasm using neural network. Proceedings of NAACL HLT 2016. Association for Computational Linguistics, 2016.
Kumar L., Somani A., Bhattacharyya P. “Having 2 hours to write a paper is fun!”: Detecting sarcasm in numerical portions of text, 2017.
Dadvar M., Hauff C., de Jong F. Scope of negation detection in sentiment analysis. Dutch Belgian Information Retrieval Workshop, 2011.
Pal S., Ghosh S., Nag A. Sentiment analysis in the light of LSTM recurrent neural networks. International Journal of Synthetic Emotions. pp. 33-39, 2018.
Agarwal B., Mittal N., Bansal P., Garg S. Sentiment analysis using common-sense and context information. Computational intelligence and neuroscience, 2015.
Wang B., Liu M. Deep Learning for aspect-based sentiment analysis. Stanford University report, 2015.
Pang B., Lee L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, vol. 2: No. 1–2, pp. 1-135.
Liu B. (2015). Sentiment analysis: Mining opinions, sentiments, and emotions.
Camp E. (2011). Sarcasm, pretense, and the semantics/pragmatics distinction. Noûs. 46.
Kumar L., Somani A., Bhattacharyya, P. (2017). Approaches for computational sarcasm detection: A survey. ACM CSUR.
Ghosh A., Veale T. (2016). Fracking sarcasm using neural network. Proceedings of NAACL HLT 2016. Association for Computational Linguistics.
Kumar L., Somani A., Bhattacharyya P. (2017). “Having 2 hours to write a paper is fun!”: Detecting sarcasm in numerical portions of text.
Dadvar M., Hauff, C., de Jong F. (2011). Scope of negation detection in sentiment analysis. Dutch Belgian Information Retrieval Workshop.
Pal S., Ghosh S., Nag A. (2018). Sentiment analysis in the light of LSTM recurrent neural networks. International Journal of Synthetic Emotions, pp. 33 39.
Agarwal B., Mittal N., Bansal P., Garg S. (2015). Sentiment analysis using common-sense and context information. Computational intelligence and neuroscience.
Wang B., Liu M. (2015). Deep learning for aspect-based sentiment analysis. Stanford University report.