基于上下文与概念袋方法的情感概念消歧模型
计算与语言
2020-11-16 v1
摘要
随着用户生成内容在不同社交网络以及Amazon等在线消费系统中的广泛传播,互联网上可用的观点信息数量不断增加。情感分析的主要任务之一是检测文本中的极性。现有极性检测方法主要关注关键词及其朴素频次统计,却较少关注自然概念的含义与隐含维度。尽管背景知识在判定概念极性时起关键作用,但在极性检测方法中被忽视。本研究提出一种基于上下文的模型,利用常识知识解决歧义极性概念问题。首先,提出一个基于SenticNet通过计算概率分布生成歧义情感概念源模型的模型;随后该模型使用概念袋方法消除歧义,并通过ConceptNet处理进行语义增强以克服知识丢失。ConceptNet是一个具有大量常识概念的大规模语义网络。本文使用点互信息(PMI)度量来筛选与歧义概念有强关联的上下文概念。利用正/负上下文概念及概念在语义知识库中的关系,精确检测歧义概念的极性。使用Numberbatch(一种基于ConceptNet语义网络概念的词嵌入模型)对文本表示方案进行语义丰富。所提模型通过应用于称为Semeval的产品评论语料库进行评估。实验结果显示准确率达82.07%,表明了所提模型的有效性。
引用
@article{arxiv.2008.03020,
title = {A Context-based Disambiguation Model for Sentiment Concepts Using a Bag-of-concepts Approach},
author = {Zeinab Rajabi and MohammadReza Valavi and Maryam Hourali},
journal= {arXiv preprint arXiv:2008.03020},
year = {2020}
}
备注
This is a pre-print of an article published in Cogn Comput(2020)