کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4972500 1451050 2017 38 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Adapting sentiment lexicons to domain-specific social media texts
ترجمه فارسی عنوان
تطبیق لغات احساسات به متن متون رسانه های اجتماعی خاص
کلمات کلیدی
ترجمه چکیده
رسانه های اجتماعی به بزرگترین منبع داده افکار عمومی تبدیل شده اند. کاربرد تجزیه و تحلیل احساسات به متون رسانه های اجتماعی دارای پتانسیل بالایی است، اما با ناهمگونی دامنه مواجه است. جهت گیری احساسات کلمات با دامنه محتوا متفاوت است، اما یادگیری محتوا در زمینه های رسانه های اجتماعی همچنان یک چالش عمده است. دامنه زبان چالش دیگری است زیرا زبان مورد استفاده در رسانه های اجتماعی امروزه به طور قابل توجهی متفاوت از آنچه که در رسانه های سنتی استفاده می شود متفاوت است. برای مقابله با این چالش ها، ما یک روش برای تطبیق لغات احساسی موجود برای طبقه بندی احساسات خاص را با استفاده از یک کپی و یک فرهنگ لغت بدون عنوان ارائه می دهیم. ما روش ما با استفاده از دو شرکت بزرگ بزرگ در حال توسعه، حاوی 743،069 توییت مربوط به بازار سهام و یک میلیون توییت مربوط به موضوعات سیاسی، و پنج سخنرانی های احساسی موجود به عنوان دانه ها و پایه ها است. نتایج نشان می دهد که مفید بودن روش ما، نشان دهنده بهبود قابل توجهی در عملکرد طبقه بندی احساسات است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
پیش نمایش مقاله
تطبیق لغات احساسات به متن متون رسانه های اجتماعی خاص
چکیده انگلیسی
Social media has become the largest data source of public opinion. The application of sentiment analysis to social media texts has great potential, but faces great challenges because of domain heterogeneity. Sentiment orientation of words varies by content domain, but learning context-specific sentiment in social media domains continues to be a major challenge. The language domain poses another challenge since the language used in social media today differs significantly from that used in traditional media. To address these challenges, we propose a method to adapt existing sentiment lexicons for domain-specific sentiment classification using an unannotated corpus and a dictionary. We evaluate our method using two large developing corpora, containing 743,069 tweets related to the stock market and one million tweets related to political topics, respectively, and five existing sentiment lexicons as seeds and baselines. The results demonstrate the usefulness of our method, showing significant improvement in sentiment classification performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 94, February 2017, Pages 65-76
نویسندگان
, , ,