텍스트 논조결정 요인에 대한 전산언어학적 기초연구
Computerlinguistische Studie zu den Entscheidungsfaktoren der Textsentiments
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
Die vorliegende Arbeit beschäftigt sich mit den linguistischen Faktoren, die in der automatischen Analyse des Textsentiments berücksichtigt werden sollen. Texte oder Sätze nach dem Sentiment zu unterscheiden ist nicht viel anders als Daten nach gegebenen Kriterien zu klassifizieren. Aus diesem Grunde stützen sich die meisten Ansätze für automatische Sentimentanalyse auf maschinelles Lernen. Unter dem Begriff „maschinelles Lernen„ versteht man einen Prozess, in dem Merkmale für die Klassifikation aus dem Lernkorpus extrahiert werden und die neuen Daten im Hinblick auf die Merkmale neu klassifiziert werden. Um die „Merkmale„ für die automatische Klassifikation zu identifizieren, wurde die Arbeit von Fries(2006) herangezogen. Zu den wichtigsten Merkmale für das maschinelle Lernen gehören u.a. „Wortfrequenz und Wortpräsenz„, „POS„, „syntaktische Struktur„, „Negation„ und „Position im Text„ Auf der Basis der Ergebnisse der vorliegenden Arbeit soll noch ein Experiment anhand des „SVM„-Algorithmus durchgeführt werden. In dem Experiment müssen noch die Themen wie „Multi-Topik„ und „Kontextabhängigkeit des Sentiments„ mit berücksichtigt werden.
Abstract
Die vorliegende Arbeit beschäftigt sich mit den linguistischen Faktoren, die in der automatischen Analyse des Textsentiments berücksichtigt werden sollen. Texte oder Sätze nach dem Sentiment zu unterscheiden ist nicht viel anders als Daten nach gegebenen Kriterien zu klassifizieren. Aus diesem Grunde stützen sich die meisten Ansätze für automatische Sentimentanalyse auf maschinelles Lernen. Unter dem Begriff „maschinelles Lernen„ versteht man einen Prozess, in dem Merkmale für die Klassifikation aus dem Lernkorpus extrahiert werden und die neuen Daten im Hinblick auf die Merkmale neu klassifiziert werden. Um die „Merkmale„ für die automatische Klassifikation zu identifizieren, wurde die Arbeit von Fries(2006) herangezogen. Zu den wichtigsten Merkmale für das maschinelle Lernen gehören u.a. „Wortfrequenz und Wortpräsenz„, „POS„, „syntaktische Struktur„, „Negation„ und „Position im Text„ Auf der Basis der Ergebnisse der vorliegenden Arbeit soll noch ein Experiment anhand des „SVM„-Algorithmus durchgeführt werden. In dem Experiment müssen noch die Themen wie „Multi-Topik„ und „Kontextabhängigkeit des Sentiments„ mit berücksichtigt werden.
참고문헌 (41)
- 이익환, "심리동사의 의미론 - 영어, 한국어와 독일어의 대조연구" (2005), 도서출판 역락
- 홍문표, "독일어문장 논조자동분석을 위한 어휘분포양상 연구", 독일문학 (2009)
- Alm, C. Roth, D., "Emotions from text: machine learning for text-based emotion prediction", Proceedings of Joint Conference on HLT, 2005, 579~586
- Aman, S., "Using Roget’s Thesaurus for Fine-grained Emotion Recognition", Proceedings of IJCNLP, pp.312~318 (2008)
- Butscher, R., "Text Mining in der Konsumentenforschung unter besonderer Berücksichtigung von Produktontologien", 박사, pp.2005
- Dave, K. Lawrence, S., "Mining the peanut gallery: opinion extraction and semantic classification of product reviews", Proceedings of the 12th international conference on World Wide Web (2003)
- Ding, X., "The Utility of Linguistic Rules in Opinion Mining", pp.812~812 (2007), SIGIR
- Ekman, P., "An Argument for Basic Emotions", Cognition and Emotion, 6, pp.169~200 (1992)
- 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)
- Fang, W. Hsu, Y., "Electronic word-of-mouth and purchase intentions: The mediating role of conformity tendency", International Journal of Psychology, 43(3), pp.137~ (2008)
- Feldweg, H., "GermaNet - ein lexikalisch-semantisches Netz für das Deutsche in : Lexikalische Semantik aus kognitiver Sicht - Perspektiven im Spannungsfeld linguistischer und psychologischer Modellierungen" (1997), Gunter Narr Verlag
- Fellbaum, C., "Adjectives in WordNet" (1993)
- [URL]
- Fries, N., "Die Kodierung von Emotionen in Texten", Journal of Literary Theory (2007)
- Gamon, M., "Sentiment classification on customer feedback data: noisy data, large feature vectors, and the role of linguistic analysis", Proceedings of the 20th International Conference on Computational Linguistics (COLING-2004), pp.841~847 (2004)
- Hatzivassiloglou, V., "Predicting the Semantic Orientation of Adjectives", Proceedings of the 8th conference on European chapter of the Association for Computational Linguistics, pp.174~181 (1997)
- Helbig, H., "Die semantische Struktur natürlicher Sprache: Wissensrepräsentation mit MultiNet" (2001), Springer
- Jahr, S., "Emotionen und Emotionsstrukturen in Sachtexten: ein interdisziplinärer Ansatz zur qualitativen und quantitativen Beschreibung der Emotionalität der Texten" (2000), Walter de Gruyter
- Kamps, J., "Words with attitude", Proceedings of the 1st International Conference on Global Word-Net, pp.332~341 (2002)
- Kanayama, H., "Deeper sentiment analysis using machine translation technology", Proceedings of the 20th International Conference on Computational Linguistics (2004)
- Kunze, C., "Extension and Use of GermaNet, a Lexical-Semantic Database", Proceedings of the Second International Conference on Language Resources and Evaluation, 2, pp.999~1002 (2000)
- Kunze, C., "Lexikalisch-semantische Wortnetze in : Computerlinguistik und Sprachtechnologie", pp.386~393 (2001), eine Einführung
- Liu, B., "Opinion Observer: Analyzing and Comparing Opinions on the Web", Proceedings of the 14th international World Wide Web conference, pp.342~451 (2005)
- Martin, J. R., "The Language of Evaluation: Appraisal in English" (2005), Palgrave Macmillan
- Miller, G., "Contextual correlates of semantic similarity", Language and Cognitive Processes, 6(1), pp.1~28 (1991)
- Morinaga, S., "Mining Product Reputations on the WEB", Proceedings of 8th ACM SIGKDD International Conference on Knowledge, pp.341~349 (2002)
- Osgood, C.E., "The Measurement of Meaning" (1957), University of Illinois Press
- Osswald, R., "Die Verwendung von GermaNet zur Pflege und Erweiterung des Computerlexikons. HaGenLex", LDV Forum Band, 19, pp.43~51 (2004)
- 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)
- Pang, B., "Thumbs up? Sentiment classification using machine learning techniques", Proceedings of the ACL-02 conference on Empirical methods in natural language processing, 통권 : 10 (2002)
- Popescu, A.-M., "Extracting Product Features and Opinions from Reviews", pp.2005, HLT
- Scaffidi, C., "Red Opal:product-feature scoring from reviews", Proceedings of the 8th ACM Conference on Electronic Commerce, pp.182~191 (2007)
- Siegel, M., "Customizing Germanet for the use in deep linguistic processing", Proceedings of the NAACL Workshop, pp.1~7 (2001)
- 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)
- Sugitani, Y., "The validity of ‘word-of-mouth’ on the web: the nonverbal cues can interfere with consumers’ memory", International Journal of Psychology, 43(3), pp.656~ (2008)
- Turney, P. D., "Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews", Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL’02), pp.417~424 (2002)
- Valitutti, A., "Developing Affective Lexical Resources", PsychNology Journal, 2(1) (2004)
- Wang, B., "Bootstrapping Both Product Features and Opinion Words from Chinese Customer Reviews with Cross-Inducing", Proceedings of IJCNLP, pp.289~295 (2008)
- Wilson, T., "Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis", pp.2005, HLT
- Yang, K., "WIDIT in TREC-2006 blog track", Proceedings of TREC (2006)
- Yi, J., "Sentiment Mining in WebFountain", Proceedings of the 21st International Conference on Data Engineering, pp.1073~1083 (2005)