Download New Avenues in Opinion Mining and Sentiment Analysis

ABSTRACT

people often rely on their peers’ past experiences. Until recently, the main sources of information were friends and specialized magazine or websites. Now, the “social web” provides new tools to effciently create and share ideas with everyone connected to the World Wide Web. Forums, blogs, social networks, and content- sharing services help people share useful information. This information is unstructured, however, and because it’s produced for human consumption, it’s not something that’s “machine processable.” Capturing public  opinion about social events, political movements, company strategies, marketing campaigns, and product preferences is garnering increasing interest from the scientifc community (for the exciting open challenges), and from the business world (for the remarkable marketing fallouts and for possible fnancial market  prediction). The resulting emerging felds are opinion mining and sentiment analysis. Although commonly used interchangeably to denote the same feld of study, opinion mining  and sentiment analysis actually focus on polarity detection and emotion recognition, respectively. Because the identification of sentiment is often  exploited for detecting polarity, however, the two felds are usually combined under the same umbrella or  even used as synonyms.  Both felds use data mining and natural language processing (NLP) techniques to discover, retrieve, and distill information and opinions from the World Wide Web’s vast textual information.

INTRODUCTION

Mining opinions and sentiments from natural language is challenging, because it requires a deep  understanding of the explicit and implicit, regular and irregular, and syntactical and semantic language rules. Sentiment analysis researchers struggle with NLP’s unresolved problems: coreference resolution, negation  handling, anaphora resolution, named-entity recognition, and word-sense disambiguation. Opinion mining is a very restricted NLP problem,  because the system only needs to understand the positive or negative sentiments of each sentence and the target entities or topics. Therefore, sentiment analysis is an opportunity for NLP researchers to make tangible progress on all fronts of NLP, and potentially have a huge practical impact.

چکیده

مردم اغلب بر تجارب گذشته همسالانشان تکیه می کنند. تا همین اواخر، منابع اصلی اطلاعات، دوستان و مجله تخصصی یا وب سایت بودند. در حال حاضر، “وب اجتماعی” ابزارهای جدیدی برای ایجاد و به اشتراک گذاشتن ایده ها با تمام افراد متصل به وب جهانی فراهم می کند. انجمن ها، وبلاگ ها، شبکه های اجتماعی، و خدمات به اشتراک گذاری محتوا به مردم کمک می کند اطلاعات مفیدی را به اشتراک بگذارند. با این حال، این اطلاعات بدون ساختار است و به دلیل استفاده از آن برای تولید انسانی تولید نمی شود بلکه چیزی است که “ماشین قابل پردازش است” نیست. از دست دادن افکار عمومی در مورد رویدادهای اجتماعی، جنبش های سیاسی، استراتژی های شرکت، کمپین های بازاریابی و ترجیحات محصول، جامعه (برای چالش های هیجان انگیز باز)، و از دنیای کسب و کار (برای ناگهانی بازاریابی قابل توجه و برای پیش بینی بازار احتمالی بازار). فلج های در حال ظهور ناشی از تجزیه و تحلیل افکار و احساسات هستند. اگرچه به طور متناوب استفاده می شود به عنوان جایگزین برای نشان دادن همان منطقه مطالعه، تجزیه و تحلیل افکار و اندیشه در واقع به تشخیص قطبیت و به رسمیت شناختن احساسات متمرکز است. از آنجا که شناسایی احساسات اغلب برای شناسایی قطبیت مورد استفاده قرار می گیرد، با این حال، دو فلد معمولا تحت چتر یکسان یا حتی به عنوان مترادف استفاده می شود. هر دو فلد ها تکنیک های داده کاوی و پردازش زبان طبیعی (NLP) را برای کشف، بازیابی و تجزیه اطلاعات و نظرات از اطلاعات متنی گسترده وب جهان استفاده می کنند.

مقدمه

نظرات و احساسات معدن از زبان طبیعی چالش برانگیز است، زیرا به درک عمیق از قوانین صریح و ضمنی، منظم و نامنظم، و نحو زبان و معنایی نیاز دارد. محققان تحليل احساسات با مشكلات حل نشده NLP مبارزه مي كنند: تفكيك هستورتر، دست زدن به ناتو، حل و فصل آناپورا، تشخيص نام موسسه و تشخيص لغت نامه. معادله نظر یک مشکل NLP بسیار محدود است، زیرا سیستم فقط نیاز به درک احساسات مثبت یا منفی هر جمله و نهادهای هدف یا موضوعات دارد. بنابراین، تجزیه و تحلیل احساسات فرصتی برای محققان NLP برای پیشرفت قابل ملاحظه در همه جبهه های NLP است و به طور بالقوه تاثیر عظیمی بر عملکرد آنها دارد.

Year: 2013

Publisher : IEEE

By : Erik Cambria, Bjorn Schuller, Yunqing Xia, Catherine Havasi 

File Information: English Language/ 7 Page / size: 546 KB

Download

سال : 1382

ناشر : IEEE

کاری از : اریک کامبریا، بژورن شولر، یونگینگ شیا، کاترین هاوسی

اطلاعات فایل : زبان انگلیسی / 7 صفحه / حجم : KB 546

لینک دانلود