10Sent：一种基于现成方法组合的稳健情感分析方法
计算与语言
2017-11-22 v1
摘要
情感分析已成为分析社交媒体数据的重要工具。该研究领域已开发多种方法，许多方法彼此差异很大，涵盖问题的不同方面与不同策略。尽管现有技术众多，但并无单一方法适用于所有情形或所有数据源。有监督方法或能适应特定情境，但需人工标注训练数据，获取过程繁琐且昂贵，尤其对于新应用而言。在此背景下，本文提出通过一种无监督自助策略进行极性分类，组合若干非常流行且有效的业界常规情感分析方法。我们的主要目标之一是降低无监督方法在不同领域（数据集）间的巨大波动性（缺乏稳定性）。我们的方案在意见、评论与社交媒体等若干领域的十三个不同数据集上进行了充分测试。实验结果表明，我们的组合方法（又称10SENT）提升了分类任务的有效性，但更重要的是，它解决了该领域的一个关键问题。它在多种数据类型中始终位居最优方法之列，意味着几乎在所有考量语境中均能产出最佳（或接近最佳）结果，且无任何额外成本（如人工标注）。我们的自学习方法也高度独立于基方法，意味着其具有高度可扩展性，可纳入未来设想的任何新附加方法。最后，我们还探究了一种用于情感分析的迁移学习方法，以此为由该方法收集额外的（无监督）信息，并展示了该技术改进结果的潜力。
引用
@article{arxiv.1711.07915,
title = {10Sent: A Stable Sentiment Analysis Method Based on the Combination of Off-The-Shelf Approaches},
author = {Philipe F. Melo and Daniel H. Dalip and Manoel M. Junior and Marcos A. Gonçalves and Fabrício Benevenuto},
journal= {arXiv preprint arXiv:1711.07915},
year = {2017}
}