Twitter数据流的实时情感变化检测
计算与语言
2019-02-15 v1
摘要
过去几年中，Twitter情感分析大幅增长，已在Twitter用户舆情情感检测方面提供了相当数量的研究。鉴于Twitter消息以令人眩晕的速率不断生成，产生了海量流数据，因此迫切需要准确的方法来进行知识发现与信息挖掘。尽管近期文献中存在大量Twitter情感分析方法，研究者已如预期般转向Twitter流数据的实时情感识别。一个主要挑战是应对Twitter流应用中出现的关于数据量（Volume）和速度（Velocity）的大数据挑战。基于此视角，本文提出了一种基于开源工具的方法论，用于实时检测情感变化，该方法在内存消耗和计算成本方面均极为高效。这通过迭代式实时收集推文并在处理后立即丢弃来实现。为此，我们采用词典方法进行情感刻画，而变化检测通过适当的控制图实现，无需历史信息。我们相信所提方法论为潜在的大规模话题线程监测提供了触发机制，以试图在其早期阶段发现假新闻传播或宣传行为。我们基于近期一个标签的实验性实时分析提供的证据表明，所提方法能够检测标签生命周期内有意义的情感变化。
引用
@article{arxiv.1804.00482,
title = {Real Time Sentiment Change Detection of Twitter Data Streams},
author = {Sotiris K. Tasoulis and Aristidis G. Vrahatis and Spiros V. Georgakopoulos and Vassilis P. Plagianakos},
journal= {arXiv preprint arXiv:1804.00482},
year = {2019}
}