독일어 텍스트 논조자동분석
Automatic sentiment analysis of German texts
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
Die vorliegende Arbeit befasst sich mit der Sentimentanalyse deutscher Texte. Unter dem Begriff „Sentiment“ versteht man im Bereich der Sprachverarbeitung eine positive oder negative Neigung oder Stimmung der Sätze. Das Sentiment eines Satzes wird durch die Polarität der Wörter im Satz bestimmt. Die Polarität eines Wortes ist normalerweise apriorisch. Aber die Polarität des Wortes kann in einem bestimmten Kontext verändert werden. Vor allem wenn ein Wort mit einer bestimmten Polarität negiert wird, wird die Polarität umgesetzt. In den meisten Arbeiten über die Sentimentanalyse deutscher Texte wird das Phänomen nicht berücksichtigt. Sie versuchten den sogenannten „Bag of Words“ Ansatz mit Unigrams als Merkmale für das maschinelle Lernen. In diesem Ansatz werden nur die Wörter, d.h. Unigrams als Merkmale verwendet, ohne dass beim maschinellen Lernen auf die Satzstruktur Rücksicht genommen wird. Hier werden die negierenden Wörter wie „nicht“, „kein“, „nie“, und „kaum“ nur als ein Merkmal behandelt, das sich nicht von anderen Wörtern unterscheiden lässt. Um dieses Problem zu lösen, schlugen wir in der vorliegenden Arbeit eine neue Methode für das maschinelle Lernen vor. Um den Skopus von den negierenden Wörtern zu bestimmen, wurde die Parsing Resultate eines Dependenzparsers herangezogen. Durch die Einführung des Negationsskopus ins maschinellen Lernen wurde die Accuracy des Sentimentanalysesystems um 3.2% auf 80.8% erhöht.
Abstract
Die vorliegende Arbeit befasst sich mit der Sentimentanalyse deutscher Texte. Unter dem Begriff „Sentiment“ versteht man im Bereich der Sprachverarbeitung eine positive oder negative Neigung oder Stimmung der Sätze. Das Sentiment eines Satzes wird durch die Polarität der Wörter im Satz bestimmt. Die Polarität eines Wortes ist normalerweise apriorisch. Aber die Polarität des Wortes kann in einem bestimmten Kontext verändert werden. Vor allem wenn ein Wort mit einer bestimmten Polarität negiert wird, wird die Polarität umgesetzt. In den meisten Arbeiten über die Sentimentanalyse deutscher Texte wird das Phänomen nicht berücksichtigt. Sie versuchten den sogenannten „Bag of Words“ Ansatz mit Unigrams als Merkmale für das maschinelle Lernen. In diesem Ansatz werden nur die Wörter, d.h. Unigrams als Merkmale verwendet, ohne dass beim maschinellen Lernen auf die Satzstruktur Rücksicht genommen wird. Hier werden die negierenden Wörter wie „nicht“, „kein“, „nie“, und „kaum“ nur als ein Merkmal behandelt, das sich nicht von anderen Wörtern unterscheiden lässt. Um dieses Problem zu lösen, schlugen wir in der vorliegenden Arbeit eine neue Methode für das maschinelle Lernen vor. Um den Skopus von den negierenden Wörtern zu bestimmen, wurde die Parsing Resultate eines Dependenzparsers herangezogen. Durch die Einführung des Negationsskopus ins maschinellen Lernen wurde die Accuracy des Sentimentanalysesystems um 3.2% auf 80.8% erhöht.
참고문헌 (14)
- Choi, Y., "Learning with compositional semantics as structural inference for subsentential sentiment analysis", Proceedings of the Conference on Empirical Methods in Natural Language Processing, pp.793~801 (2008), Association for Computational Linguistics
- Cortes, C, "Support-Vector Networks", Machine Learning, pp.273~297 (1995)
- Esuli, A., "SentiWordNet: A Publicly Available Lexical Resource for Opinion Mining", Proceedings of LREC-06, 5th Conference of Language Resources and Evaluation, pp.417~422 (2006)
- Moilanen, K., "Sentiment composition", Proc. of RANLP-2007, pp.378~382 (2007)
- Murphy, K.P., "Machine Learning - A probabilistic Perspective" (2012), The MIT Press
- Ohana, B., "Sentiment classification of reviews using SentiWordNet", Proceedings of 9th. IT&T Conference (2009)
- Pang, B., "Thumbs up? Sentiment classification using machine learning techniques", Proceedings of the ACL-02 conference on Empirical methods in natural language processing, 10 (2002)
- Pang, B., "A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts", Proceedings of the 42nd Annual Meeting of the Association for Computational Linguistics (ACL'04), pp.271~278 (2004)
- Remus, R., "SentiWS - a Publicly Available German-language Resource for Sentiment Analysis", Proceedings of the 7th International Language Ressources and Evaluation (LREC'10), pp.1168~1171 (2010)
- Seeker, W., "Making Ellipses Explicit in Dependency Conversion for a German Treebank", Proceedings of the 8th International Conference on Language Resources and Evaluation, pp.3132~3139 (2012), European Language Resources Association
- Strapparava, C., "WordNet-Affect: an affective extension of WordNet", Proceedings of the 4th International Conference on Language Resources and Evaluation (LREC 2004), pp.1083~1086 (2004)
- Waltinger, U., "German Polarity Clues : A Lexical Resource for German Sentiment Analysis", Proceedings of the Seventh International Conference on Language Resources and Evaluation (LREC), pp.1638~1642 (2010)
- Wiebe, J., "Annotating Expressions of Opinions and Emotions in Language", Language Resources and Evaluation, 39(2, pp.3) (2005), 164~210
- Wilson, T., "Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis", Proceedings of HLT, 2005, 347~354