خانه / مقاله ترجمه شده ISI / مقاله جنبه های معنایی در تحلیل احساسات

مقاله جنبه های معنایی در تحلیل احساسات

سال : 2017 ژورنال : Sentiment-Analysis-Book-Cover تعداد صفحات انگلیسی : 18 تعداد صفحات فارسی: 19

 

عنوان انگلیسی مقاله :

SEMANTIC ASPECTS IN SENTIMENT ANALYSIS

عنوان فارسی مقاله :

جنبه های معنایی در تحلیل احساسات

مقدمه فارسی :

این حقیقت که معنا شناسی بایستی نقش تعیین کننده ای را در تفسیر احساسات متن ایفا کند , مسئله ای واضح است , به صورتی که فقط با توجه به معنی ساده ی کلمات , این قضیه به وضوح درک می شود (” دوستش دارم در مقابل ازش متنفرم ” ) . اگر چه حداقل به دو دلیل , چیزهایی وجود دارند که یا ساده هستند , یا ساده نیستند: (1) معنی به آسانی و به صورت اتوماتیک قابل تعریف , تشخیص و استخراج نیست (2) تجزیه و تحلیل احساسات اغلب, صرفا تشخیص موارد مثبت از موارد منفی نیست , بخصوص در پیشرفت های اخیر صورت گرفته , این قضیه بیشتر به چشم می خورد .

در کمپین SemEval در سال 2015 , 4 وظایف مشترک در مسیر تجزیه و تحلیل احساسات , سازماندهی شدند: یک وظیفه ی عمومی نسبت به تحلیل احساسات در توییتر ( وظیفه 10 , با 4 زیر وظیفه ) و وظیفه ی دیگر که تمرکز خود را بر روی زبان تمثیلی , با عنوان تحلیل احساسی زبان تمثیلی در توییتر ” ( وظیفه 11) , تحلیل احساسی مبتنی بر جنبه ( وظیفه 12), قرار داده است , به صورتی که سیستم ها بایستی جنبه های موجودیت ها و احساسات بیان شده ی هر جنبه را شناسایی کنند , و این که یک وظیفه ی متفاوت , تمرکز خود را بر روی تضاد رویداد ها با عنوان “CLIPE Eval تضاد ضمنی رویداد ها ” (وظیفه 9) قرار داده است. در داخل SEM Eval 2016 در حال اجرا , همچنین یک وظیفه برای شناسایی موقعیت در توییت ها وجود دارد (وظیفه 6 ) , بدین معنا که تشخیص موقعیت نویسنده با توجه به هدف انجام می گیرد(مخالف / به نفع / خنثی ) و وظیفه ی دیگر در تشخیص شدت احساسات نقش دارد (وظیفه 7). برخی از این وظایف , مجموعه داده هایی را در بیش از 1 زبان فراهم می کنند. علاوه بر این , یک وظیفه ی مشترک در تحلیل احساسات در سطح مفهومی اخیرا در زمینه ی کنفرانس وب معنایی اروپا به کار گرفته شده است.

در رابطه بافعال ساختن پژوهش و منابع و ابزار ها در این زمینه , و با سازماندهی وظایف به شکلی متعدد و پیچیده می توان به این نتیجه رسید که نه تنها تحلیل احساسی در حال رشد است , بلکه این تحلیل احساسی , دیگر فقط درابطه با تشخیص, هدف یا ذهنی بودن بررسی یا توییت نیست و مثبت یا منفی بودن آن نیز مد نظر است.

این قضیه ترجبحا , نیاز به یک تحلیل بسیار پیچیده و تفسیری از پیام ها دارد که به نوبه ی خود بایستی بر پردازش و درک عمیق تری تکیه نماید. با این که معنی شناسی و فرایند معنی شناسی نقش تعیین کننده ای را در این قضیه ایفا می کنند , اما ما بایستی از نقطه نظر های گوناگون چگونگی اتفاق افتاده این قضیه را بررسی کنیم. اولا , و بر طبق درک موجود , کلمات آموزنده ی احساسی , در یک سطح معنایی لغوی قرار دارند(” خوب مثبت , ” بد منفی است) . این قضیه در ایجاد معنا و واژه احساسی , بدنه ای که می تواند در توسعه سیستم مورد استفاده قرار گیرد و همین طور در زبان های غیر انگلیسی انعکاس می یابد.

ثانیا , پردازش زبانشناختی عمیق تر برای انجام وظایف finger-grained ضروری است. برای مثال , در تحلیل احساسات مبتنی برجنبه , موجودیت ها و جنبه ها و همچنین همچنین ارتباطات بین آن ها نیز بایستی مشخص گردد , و این که هیچ موردی نمی تواند تنها بر معانی واژگان تکیه کند, همچنین , در تشخیص پنهان سازی , سیستم ها بایستی برخی از ماژول ها را که با زبان تمثیلی سروکار دارند ترکیب کنند. سوما , ممکن است که حتی پردازش متنی عمیق تر برای سطح تحلیل لازم نبوده و نیاز به تکمیل با استفاده از استدلال مفاهیم , و با بهره برداری از منابع معنایی جامعه ی وب معنایی همانند موارد آنتولوژی وب و شبکه های معنایی صورت گیرد. چهارم این که , تحلیل احساسات گسترش پیدا کرده و به همراه دیگر زمینه های مرتبط همانند احساسات و تشخیص شخصیت تقسیم می شود , همچنین معانی کلمات و متن در سطوح مختلفی از اثر تفسیری , مشخص می شود.

در این بخش , ما به مرور مجموعه ی بزرگی از منابع معنایی برای تحلیل های احساسی می پردازیم و نشان می دهیم که معنی شناسی به چه شکل نقش های مختلفی را در توسعه ی ابزار های احساس آگاه و منابع ایفا می کند. به صورت مشخص , ما به این قضیه می پردازیم که چگونه فرایند معنایی وضعیت هنر مورد استفاده قرار گرفته و آن را به منظور سازگار ساختن الزامات وظایفfinger-grained پیشرفته , مناسب می سازد. برای مثال ; چگونه اطلاعات معنایی در مدل های آماری مورد بهره برداری قرار می گیرند , چگونه پیشرفت های موجود در روش های شباهت معنایی را می توان به تحلیل احساسات منتقل کرد و این که چگونه استدلال خودکار و پردازش ابرداده ی معنایی را می توان در این زمینه مورد استفاده قرار داد. با استفاده از این مرور , فعل و انفعالات تحلیل معنایی مرتبط با منابع و فرایند های تاثیر گذار را مشخص می سازیم.

 

چکیده انگلیسی:

The fact that semantics must play a crucial role in the sentiment interpretation of text is rather obvious, as even just considering the plain meaning of words can be very indicative (“I liked it” vs. “I hated it”). However, things are not that simple or straightforward for at least two reasons: (1) meaning is not so easy to define, detect, and extract automatically, and (2) sentiment analysis is often not just a matter of distinguishing positive from negative opinions, especially in recent developments. In the 2015 SemEval campaign, four shared tasks were organized within the Sentiment Analysis track: a rather general task on sentiment analysis in Twitter (task 10 [1], with four subtasks), a task focused on figurative language, entitled “Sentiment Analysis of Figurative Language in Twitter” (task 11 [2]), an aspect-based sentiment analysis task (task 12 [3]), where systems had to identify aspects of entities and the sentiment expressed for each aspect, and a rather different task focused on events’ polarity, entitled “CLIPEval Implicit Polarity of Events” (task 9 [4]). Within the ongoing SemEval 2016, there is also a task on detecting stance in tweets (task 6 1 )—that is, detecting the position of the author with respect to a given target (against/in favor/neutral)—and one on determining sentiment intensity (task 7 2 ). Some of these tasks provide datasets in more than one language. Additionally, a shared task on concept-level sentiment analysis has been organized recently in the context of the European Semantic Web Conference [5]. This fervent, current action on stimulating research, resources, and tools in this field by organizing more numerous and more complex tasks tells us not only that interest in sentiment analysis is growing but also that sentiment analysis is no longer just about detecting whether a given review or tweet is objective or subjective, and in the latter case it is whether positive or negative. Rather, it requires a more complex analysis and interpretation of messages that in turn must rely on deeper processing and understanding. Thus although it is true that semantics and semantic processing play a crucial role in this, we must see how this happens, from several points of view. First, and following intuition, words are sentiment informative at a plain lexical semantics level (“good” is positive, “bad” is negative). This is reflected in the creation of sentiment and emotion lexica and corpora that can be used in system development, also for languages other than English. Second, deeper linguistic processing is required to perform finer-grained tasks. For instance, in aspect-based sentiment analysis, entities and aspects must be identified, as well as relations among them, and one cannot rely on lexical semantics only; also, in irony detection, systems must incorporate some module that deals with figurative language. Third, even deeper text processing might not suffice for the level of analysis required, and might need to be complemented by reasoning over concepts, which could be done by exploitation of semantic resources that the Semantic Web community has to offer in this sense, such as web ontologies and semantic networks. Fourth, sentiment analysis stretches out to, and intersects with, other related areas, such as emotion and personality detection, so the semantics of words and text has to be determined at different levels of affect interpretation. In this chapter, we review a large collection of semantic resources for sentiment analysis and show how semantics plays various roles in the development of sentiment-aware tools and resources. Specifically, we discuss how state-of-the-art semantic processing is used and adapted to fit the requirements of progressively finer-grained tasks; for example, how semantic information is exploited in statistical models, how advances in semantic similarity models can be ported to sentiment analysis, and how automated reasoning and semantic metadata processing can be used in this field. Through this review we highlight the interaction of sentiment analysis with related affect resources and processing.

 

دانلود رایگان فایل انگلیسی مقاله

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

6 − سه =