자동논조분석 시스템 개발을 위한 독일어 텍스트의 논조별 어휘출현양상 연구
Untersuchung zur Wortfrequenz in positiven/negativen Texten für eine automatische Sentimentanalyse
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
Die vorliegende Arbeit beschäftigt sich mit der Frequenz und Charakteristik der Wörter, die in einem positiven/negativen Text vorkommen. Dafür wurde ein Sentiment-getaggtes Korpus in der ‘Handy’-Domäne erstellt. Anhand des ‘Antconc’ Programs wurden die Frequenz der Wörter bzw. Bigram ermittelt. In ‘positiven’ Texten wurden meistens solche Adjektive verwendet, die positive Stimmungen überbringen. Bei dem Fall ‘klein’, das einen hohen Rang in der Frequenzliste der positiven Gruppe besetzt, konnte jedoch nicht behauptet werden, dass dieses Wort unbedingt zur positiven Wortgruppe gehört, weil es auch in negativen Texten relativ häufig vorkommt. Im Gegensatz dazu wurde das Wort ‘groß’, das eine ähnliche Funktion wie ‘klein’ zu haben scheint, nur in positiven Texten gefunden. Allerdings muss es noch mit größerem Korpus bestätigt werden. In ‘negativen’ Texten wurden auch Adjektive am meisten gebraucht, aber Substantive und Verben wurden im Vergleich zu den positiven Korpus viel mehr benutzt. Die Anzahl der wiederholt benutzten Wörter war auch geringer als bei den positiven Texten. Man scheint bei der Verfassung der negativen Texten eine reichere Wahl der Wörter zu treffen. Damit das Ergebnis der vorliegenden Arbeit direkt für die Entwicklung eines automatischen Sentimentanalyse Systems herangezogen werden kann, muss es mit größerem Korpus bestätigt werden.
Abstract
Die vorliegende Arbeit beschäftigt sich mit der Frequenz und Charakteristik der Wörter, die in einem positiven/negativen Text vorkommen. Dafür wurde ein Sentiment-getaggtes Korpus in der ‘Handy’-Domäne erstellt. Anhand des ‘Antconc’ Programs wurden die Frequenz der Wörter bzw. Bigram ermittelt. In ‘positiven’ Texten wurden meistens solche Adjektive verwendet, die positive Stimmungen überbringen. Bei dem Fall ‘klein’, das einen hohen Rang in der Frequenzliste der positiven Gruppe besetzt, konnte jedoch nicht behauptet werden, dass dieses Wort unbedingt zur positiven Wortgruppe gehört, weil es auch in negativen Texten relativ häufig vorkommt. Im Gegensatz dazu wurde das Wort ‘groß’, das eine ähnliche Funktion wie ‘klein’ zu haben scheint, nur in positiven Texten gefunden. Allerdings muss es noch mit größerem Korpus bestätigt werden. In ‘negativen’ Texten wurden auch Adjektive am meisten gebraucht, aber Substantive und Verben wurden im Vergleich zu den positiven Korpus viel mehr benutzt. Die Anzahl der wiederholt benutzten Wörter war auch geringer als bei den positiven Texten. Man scheint bei der Verfassung der negativen Texten eine reichere Wahl der Wörter zu treffen. Damit das Ergebnis der vorliegenden Arbeit direkt für die Entwicklung eines automatischen Sentimentanalyse Systems herangezogen werden kann, muss es mit größerem Korpus bestätigt werden.
참고문헌 (21)
- Alm, C., "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
- Ding, X., "The Utility of Linguistic Rules in Opinion Mining", SIGIR, pp.812~812 (2007)
- 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)
- 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)
- 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)
- Liu, B., "J. Cheng", Proceedings of the 14th international World Wide Web conference, pp.342~451 (2005)
- 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" (1971), University of Illinois Press
- 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)
- 2002, "Extracting Product Features and Opinions from Reviews", pp.2005, HLT
- Riloff, E., "Learning subjective nouns using extraction pattern bootstrapping", CONLL-03, pp.25~32 (2003)
- Scaffidi, C., "Red Opal:product-feature scoring from reviews", Proceedings of the 8th ACM Conference on Electronic Commerce, pp.182~191 (2007)
- 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)
- Wilson, T., "Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis", HLT, 2005, 347~354
- Yi, J., "Sentiment Mining in WebFountain", Proceedings of the 21st International Conference on Data Engineering, pp.1073~1083 (2005)