文本流情感分析出奇简便：利用情感词典生成高质量情绪弧
计算与语言
2022-10-17 v1
摘要
自动生成的情绪弧——捕捉个体或群体随时间变化的感受——在工业界和研究中被广泛使用。然而，关于所生成情绪弧的评估工作很少。这部分是由于难以建立真实的（金标准）情绪弧。我们的工作首次对自动生成的情绪弧进行了系统且定量的评估。我们还比较了生成情绪弧的两种常见方式：机器学习（ML）模型与仅用词典（LexO）的方法。利用多个不同的数据集，我们系统地研究了情感词典的质量与可用其生成的情绪弧质量之间的关系。我们还研究了实例级情绪检测系统（例如来自 ML 模型）的质量与可用其生成的情绪弧质量之间的关系。我们表明，尽管 LexO 方法在实例级表现明显较差，但通过对数百个实例的信息进行聚合，其在生成情绪弧方面高度准确。这对商业开发以及心理学、公共卫生、数字人文等重视简单可解释方法、不倾向于需要领域特定训练数据、编程专业知识和高碳足迹模型的研究具有广泛影响。
引用
@article{arxiv.2210.07381,
title = {Frustratingly Easy Sentiment Analysis of Text Streams: Generating High-Quality Emotion Arcs Using Emotion Lexicons},
author = {Daniela Teodorescu and Saif M. Mohammad},
journal= {arXiv preprint arXiv:2210.07381},
year = {2022}
}