Přejít k obsahu


Unsupervised Improving of Sentiment Analysis using Global Target Context

Citace: BRYCHCÍN, T., HABERNAL, I. Unsupervised Improving of Sentiment Analysis using Global Target Context. In Proceedings of Recent Advances in Natural Language Processing. Shoumen: Incoma Ltd., 2013. s. 122-128. ISBN: neuvedeno , ISSN: 1313-8502
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: Unsupervised Improving of Sentiment Analysis using Global Target Context
Rok vydání: 2013
Místo konání: Shoumen
Název zdroje: Incoma Ltd.
Autoři: Ing. Tomáš Brychcín , Ing. Ivan Habernal Ph.D. ,
Abstrakt CZ: Aktuální přístupy pro analýzu sentimentu na úrovni dokumentů pracují s lokální informací, tzn. slova v daném dokumentu. Snažíme se získat lepší výkonnost zahrnutím globálního kontextu o cílu analýzy (tzn. film nebo produkt). Předpokládáme, že hodnota sentimentu recenzí u stejného cíle je často konzistentní nějakým způsobem. Modelujeme tuto konzistentnost pomocí Dirichletova rozdělení přes hodnoty sentimentu a používáme toto rozšíření společně s Maximum entropy klasifikátorem k získání lepších výsledků. Toto rozšíření, trénováné s učením bez učitele, vylepšuje F-míru o skoro 3% absolutně na českých i anglických recenzích k filmům a překonává současné state of the art.
Abstrakt EN: Current approaches to document-level sentiment analysis rely on local information, e.g., the words within the given document. We try to achieve better performance by incorporating global context of the sentiment target (e.g., a movie or a product). We assume that sentiment labels of reviews about the same target are often consistent in some way. We model this consistency by Dirichlet distribution over sentiment labels and use it together with Maximum entropy classifier to gain significant improvement. This unsupervised extension increases the classification F-measure by almost 3% absolute on both Czech and English movie review datasets and outperforms the current state of the art.
Klíčová slova

Zpět

Patička