Feature-Based Twitter Sentiment Analysis With Improved Negation Handling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is remarkable progress in the research of Twitter sentiment analysis (TSA) which is a technique of extracting opinion by automatically processing digital data. In this article, we propose a feature-based TSA system in conjunction with improved negation accounting by leveraging different types of features such as lexicon-based, morphological, POS-based, n-gram features, and many more, which would be used for classifier training and have the strong impact on polarity determination. We use three different state-of-the-art classifiers such as support vector machine (SVM), Naive Bayesian, and decision tree, and the series of experiments are conducted to determine which classifier works well with which feature group. In addition, this work focuses on investigating a significant linguistic phenomenon called negation which can either change polarity or strength of polarity of opinionated words. To enhance the classification performance, an algorithm is also developed to handle those negation tweets in which the presence of negation does not necessarily mean negation. The proposed feature-based Twitter system with negation accounting is evaluated on the benchmark Twitter data set SemEval-2013 Task 2. The experimental results demonstrate that the SVM classifier outperforms the other classifiers and the state-of-the-art TSA system developed by the NRC Canada winning team of SemEval-2013 Task 2. In addition, extensive experiments are also conducted to demonstrate that the proposed negation strategy with incorporated negation exception rules provides a substantial improvement by preventing misclassification of tweets. Finally, impact of each preprocessing module on classification performance is presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle