基于主观远程监督的高效Twitter情感分类
社会与信息网络
2017-01-12 v1 计算与语言
信息检索
摘要
随着诸如Twitter的微博客服务在当今全球化世界中变得愈发具有影响力，其诸如情感分析等方面正被广泛研究。我们不再受限于自己的观点。他人的观点与情感在塑造我们的视角中起着巨大作用。本文在先前利用远程监督(Distant Supervision)的Twitter情感分析工作基础上构建。现有方法需要巨大的计算资源来分析大量推文。本文提出加速情感分析计算过程的技术。我们利用推文主观性来选择合适的训练样本。我们还引入了推文的EFWS（有效词得分，Effective Word Score）概念，该得分源自常用词的情感极性分数，这是一种额外的启发式方法，可用于通过标准机器学习算法加速情感分类。我们使用160万条推文进行实验。评估表明所提技术比先前方法更高效且准确率更高。在10万条推文（规模为基线模型所用数据集的一半）的训练集上，我们取得约80%的总体准确率（EFWS启发式给出约85%准确率）。我们提出模型的准确率比基线模型高2-3%，且模型训练速度实为基线模型的两倍。
引用
@article{arxiv.1701.03051,
title = {Efficient Twitter Sentiment Classification using Subjective Distant Supervision},
author = {Tapan Sahni and Chinmay Chandak and Naveen Reddy Chedeti and Manish Singh},
journal= {arXiv preprint arXiv:1701.03051},
year = {2017}
}