Lexicon Based Document Level Sentiment Analysis on the Multilingual Dataset

2019 ◽  
Author(s):  
Deepa Mary Mathews ◽  
Sajimon Abraham
Keyword(s):  
Sentiment Analysis ◽  
Document Level

Sentiment Analysis of Comparative Sentences for Chinese Document

2012 ◽  
Vol 157-158 ◽  
pp. 1079-1082
Author(s):  
Guo Shi Wu ◽  
Xiao Yin Wu ◽  
Jing Jing Wei
Keyword(s):  
Sentiment Analysis ◽  
Opinion Mining ◽  
Sentiment Classification ◽  
The Third ◽  
Sentence Patterns ◽  
Simple Sentences ◽  
Document Level ◽  
Level Analysis

One of the most widely-studied sub-problems of opinion mining is sentiment classification, which includes three study levels: word, sentence and document. At the third level, most of the existing methods ignore comparative sentences which have particular sentence patterns and may lower the precision of the document-level analysis. This paper studies sentiment analysis of comparative sentences. The aim is to determine whether opinions expressed in a comparative sentence are positive or negative. Experiments of comparing with document-level sentiment analysis based on simple sentences shows the effectiveness of the proposed method.

Sentiment Analysis on UAV-aided Product Comments Based on Machine Learning: From Sentence to Document Level

2020 ◽  
Author(s):  
JINGYANG CAO ◽  
Shirong Yin ◽  
Guoxu Zhang
Keyword(s):  
Machine Learning ◽  
Sentiment Analysis ◽  
Accurate Result ◽  
Supervised Machine Learning ◽  
Hotel Management ◽  
Novel Approach ◽  
Online Comments ◽  
New Perspective ◽  
The Relationship ◽  
Document Level

Abstract This paper presents a novel approach to analyze the sentiment of the product comments from sentence to document level and apply to the customers sentiment analysis on UAV-aided product comments for hotel management. In order to realize the effiffifficient sentiment analysis, a cascaded sentence-to-document sentiment classifification method is investigated. Initially, a supervised machine learning method is applied to explore the sentiment polarity of the sentence (SPS). Afterward, the contribution of the sentence to document (CSD) is calculated by using various statistical algorithms. Lastly, the sentiment polarity of the document (SPD) is determined by the SPS as well as its contribution. Comparative experiments have been established on the basis of hotel online comments, and the outcomes indicate that the proposed method not only raises the effiffifficiency in attaining a more accurate result but also assists immensely in regards to the B5G wireless communication supported by the UAV. The fifindings provide a new perspective that sentence position and its sentiment similarity with document (sentiment condition) dramatically disclose the relationship between sentence and document.

An improved evidence-based aggregation method for sentiment analysis

2019 ◽  
Vol 46 (3) ◽  
pp. 340-360 ◽  
Author(s):  
Parisa Jamadi Khiabani ◽  
Mohammad Ehsan Basiri ◽  
Hamid Rastegari
Keyword(s):  
Sentiment Analysis ◽  
Language Processing ◽  
Evidence Based ◽  
Aggregation Method ◽  
Factors Affecting ◽  
Sentiment Detection ◽  
Final Score ◽  
Sentiment Orientation ◽  
Online Texts ◽  
Document Level

Sentiment analysis is one of the natural language processing tasks used to find reviews expressed in online texts and classify them into different classes. One of the most important factors affecting the efficiency of sentiment analysis methods is the aggregation algorithm used for scores combination. Recently, Dempster–Shafer algorithm has been used for scores aggregation. This algorithm has a higher precision than common methods such as average, weighed average, product and voting, but the problem with this algorithm is the aggregation of a dominant high or low score that is always selected by the algorithm as the overall score. In the current research, a new method is proposed for scores aggregation that employs both the most and the second probable classes to predict the final score. The proposed approach considers every review as a set of sentences each of which has its own sentiment orientation and score and computes the probability of belonging of every sentence to different classes in a five-star scale using a pure lexicon-based system. These probabilities are then used for document-level sentiment detection. To this aim, two-point structure is used to improve the Dempster–Shafer aggregation algorithm. The proposed method is applied to review datasets of TripAdvisor and CitySearch which have been used in previous studies. The obtained results show that in comparison with the original Dempster–Shafer aggregation method, the precision of the proposed method for both datasets is 23% and 27% higher, respectively.

scholarly journals News Sentiment Analysis By Using Deep Learning Framework

2020 ◽  
Author(s):  
Sweta Kaman
Keyword(s):  
Artificial Intelligence ◽  
Deep Learning ◽  
Sentiment Analysis ◽  
News Article ◽  
Learning Mechanism ◽  
Attention Model ◽  
Learning Framework ◽  
News Sentiment ◽  
Document Level

Attention is a deep learning mechanism which has been proved very helpful in the field of artificial intelligence and solving various AI problems, in order to bend the various intelligent tasks positively in the direction to its actual goal i.e AI. In this paper, I have used Attention Model to perform the task of sentiment analysis in any news article. After extracting the news article from a scraper and preprocessing the data, it will be fed into a sentiment analyser which will predict the sentiment of the news article at sentence and document level.

scholarly journals Ανάλυση συναισθήματος και γνώμης

2018 ◽  
Author(s):  
Αγγελική-Σπυριδούλα Βλαχοστέργιου
Keyword(s):  
Natural Language Processing ◽  
Natural Language ◽  
Sentiment Analysis ◽  
Language Processing ◽  
Context Aware ◽  
Sentence Level ◽  
Document Level

Τα τελευταία χρόνια έχει παρατηρηθεί μια αύξηση του αριθμού των προσπαθειών για την αυτόματη αναγνώριση και κατηγοριοποίηση του ανθρωπίνου συναισθήματος χρησιμοποιώντας σήματα φυσιολογίας, σήματα από το πρόσωπο, τη φωνή, καθώς επίσης και προσωπικές ερμηνείες από κείμενα μεγάλων κοινωνικών δεδομένων. Αρκετοί είναι οι τομείς της έρευνας που θα μπορούσαν να επωφεληθούν από αυτά τα συστήματα: διαδραστικά συστήματα διδασκαλίας, τα οποία να επιτρέπουν στους εκπαιδευτικούς να γνωρίζουν το άγχος των φοιτητών, πρόληψη των ατυχημάτων (π.χ. εντοπισμός της κόπωσης του οδηγού), στρατιωτικά ομαδικά καθήκοντα που χαρακτηρίζονται από μεγάλης διάρκειας περιόδους άγχους και πίεσης και εφαρμογές στον τομέα της Υγείας για την έγκαιρη διάγνωση νευροεκφυλιστικών νόσων (π.χ. νόσος του Πάρκινσον), όπου η εκδήλωση των συμπτωμάτων συμβαίνει πολλά χρόνια μετά την έναρξη του νευροεκφυλισμού.Ωστόσο, παρά τις μέχρι τώρα ερευνητικές προσπάθειες, δεν έχει επιτευχθεί ο μακροπρόθεσμος στόχος της δημιουργίας ενός ισχυρού πλαισίου αναγνώρισης του εξεταζόμενου τομέα έρευνας που να βασίζεται στην ανάλυση και στην ερμηνεία του. Δεν υπάρχει καμία αμφιβολία ότι η δημιουργία του συναισθήματος (affect production) επηρεάζεται από το εκάστοτε πλαίσιο που λαμβάνει χώρα τη δεδομένη στιγμή, όπως το έργο στο οποίο υποβάλλεται ο χρήστης, τα άτομα που αλληλεπιδρούν με το χρήστη, η ταυτότητα αλλά και η εκφραστικότητά τους. Η οποιαδήποτε λοιπόν συμπληρωματική μορφή πληροφορίας πλαισίου αναφορικά με τον εξεταζόμενο τομέα έρευνας μας βοηθά ώστε να απαντήσουμε στο ερώτημα: τί είναι πιθανότερο να συμβεί, εκτρέποντας έτσι τον ταξινομητή από τις πιθανότερες/σχετικές κατηγορίες. Χωρίς το πλαίσιο, ακόμη και οι άνθρωποι μπορεί να παρερμηνεύουν τις παρατηρούμενες εκφράσεις του. Έτσι, με την αντιμετώπιση των προκλήσεων υπό το πρίσμα της αναγνώρισης του συναισθήματος υπό συγκεκριμένο πλαίσιο (context-aware affect analysis), δηλαδή με την καλύτερη μελέτη των πληροφοριών πλαισίου, με την ερμηνεία του σε συγκεκριμένους τομείς εφαρμογών, την αναπαράστασή του, τη μοντελοποίησή του, μπορούμε να προσεγγίσουμε καλύτερα την αναγνώριση του συναισθήματος σε πραγματικό χρόνο. Αντίστοιχα, στον τομέα των προσωπικών ερμηνειών από το κείμενο (Sentiment Analysis) αλλά και γενικότερα στον τομέα της Φυσικής Γλώσσας (Natural Language Processing (NLP)) η συνεισφορά του πλαισίου έγκειται στην καλύτερη αναγνώριση, ερμηνεία και επεξεργασία των απόψεων (opinions) και συναισθημάτων (sentiments) σε κείμενα, τα οποία εξετάζονται σε επίπεδο κειμένου (document-level), προτάσεων sentence-level και χαρακτηριστικών (aspect-level) αντίστοιχα. Στην περίπτωση αυτή, λαμβάνονται υπόψιν η σημασιολογία, οι γνωστικές και οι συναισθηματικές πληροφορίες των υποκειμενικών απαντήσεων των ατόμων. Ειδικότερα, στον τομέα αυτό, η συνεισφορά μας έγκειται στην εκπαίδευση ισχυρών αναπαραστάσεις χαρακτηριστικών από μη επισημειωμένα δεδομένα με τη χρήση Νευρωνικών Δικτύων και συγκεκριμένα με τη χρήση Ανταγωνιστικά Παραγωγικών Μοντέλων (GANs), η χρήση των οποίων έχει επιδείξει εντυπωσιακά αποτελέσματα στον τομέα της Όρασης Υπολογιστών. Η πρωτοτυπία της συγκεριμένης μεθόδου έγκειται στον τρόπο υλοποίησης του μοντέλου, στην επιλογή των υπερπαραμετρων, στη χρήση μη επιβλεπόμενης μάθησης και στην πειραματική επικύρωση του προτεινόμενου μοντέλου σε σώματα κειμένου που προέρχονται από διαφορετικές πηγές αναφορικά με το είδος τους και την έκτασή τους.

Sign in / Sign up

Export Citation Format

Share Document