基于上下文信息的增强型Twitter情感分类
社会与信息网络
2021-01-05 v2 人工智能
计算与语言
信息检索
摘要
Twitter的普及使其推文情感分析成为重要且研究充分的领域。然而，推文被限制的140字符使得难以使用标准语言方法进行情感分类。另一方面，推文在结构上的缺失由其海量数量与丰富元数据弥补。该元数据包括地理定位、时间和作者信息。我们假设情感依赖于所有这些上下文因素。不同位置、时间和作者具有不同的情绪效价。本文通过利用远程监督（distant supervision）从不同位置、时间和作者收集数百万条带标签推文来探索该假设。我们利用这些数据分析了推文情感在不同作者、时间和位置上的变化。在探索并理解这些变量与情感之间的关系后，我们采用贝叶斯方法将这些变量与更标准的语言特征（如 n-grams）结合，构建了Twitter情感分类器。该组合分类器优于纯语言分类器，表明将Twitter上丰富的上下文信息整合到情感分类中是一个有前景的研究方向。
引用
@article{arxiv.1605.05195,
title = {Enhanced Twitter Sentiment Classification Using Contextual Information},
author = {Soroush Vosoughi and Helen Zhou and Deb Roy},
journal= {arXiv preprint arXiv:1605.05195},
year = {2021}
}
备注
In proceedings of the 6th workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis (WASSA) at EMNLP 2015