People react to events, topics and

People react to events, topics and entities by expressing their personal opinions and emotions. These reactions can correspond to a wide range of intensities, from very mild to strong. An adequate processing and understanding of these expressions has been the subject of research in several fields, such as business and politics.

In this context, Twitter sentiment analysis, which is the task of automatically identifying and extracting subjective information from tweets, has received increasing attention from the Web mining community. Twitter provides an extremely valuable insight into human opinions, as well as new challenging Big Data problems. These problems include the processing of massive volumes of streaming data, as well as the automatic identification of human expressiveness within short text messages. In that area, several methods and lexical resources have been proposed in order to extract sentiment indicators from natural language texts at both syntactic and semantic levels. These approaches address different dimensions of opinions, such as subjectivity, polarity, intensity and emotion. This article is the first study of how
these resources, which are focused on different sentiment scopes, complement each other. With this purpose we identify scenarios in which some of these resources are more useful than others.

Furthermore, we propose a novel approach for sentiment classification based on meta-level features. This supervised
approach boosts existing sentiment classification of subjectivity and polarity detection on Twitter. Our results show that the combination of meta-level features provides significant improvements in performance.

However, we observe that there are important differences that rely on the type of lexical resource, the dataset used to build the model, and the learning strategy. Experimental results indicate that manually generated lexicons are focused on emotional words, being very useful for polarity prediction.

On the other hand, lexicons generated with automatic methods include neutral words, introducing noise in the detection of subjectivity. Our findings indicate that polarity and subjectivity prediction are different dimensions of the same problem, but they need to be addressed using different subspace features.

Lexicon-based approaches are recommendable for polarity, and stylistic part-of-speech based approaches are meaningful for subjectivity. With this research we offer a more global insight of the resource components for the complex task of classifying human emotion and opinion.

ผลลัพธ์ (ไทย) 1:

คนที่ตอบสนองเหตุการณ์ หัวข้อ และเอนทิตี โดยการแสดงความคิดเห็นส่วนตัวและอารมณ์ของพวกเขา ปฏิกิริยาเหล่านี้สามารถสอดคล้องกับความหลากหลายของการปลดปล่อยก๊าซ จากอ่อนไปแข็งแรงมาก การประมวลผลที่เพียงพอและเข้าใจเกี่ยวกับนิพจน์เหล่านี้ได้รับชื่อเรื่องของงานวิจัยในหลายเขตข้อมูล ธุรกิจและการเมือง

ในบริบทนี้ ทวิตเตอร์วิเคราะห์ความเชื่อมั่น ซึ่งเป็นงานโดยอัตโนมัติระบุ และแยกข้อมูลตามอัตวิสัยจากฟีด ได้รับความสนใจเพิ่มขึ้นจากชุมชนเหมืองเว็บ ทวิตเตอร์แสดงความเข้าใจที่มีคุณค่ามากในความคิดเห็นมนุษย์ ตลอดจนปัญหาใหญ่ข้อมูลใหม่ท้าทาย ปัญหาเหล่านี้รวมถึงการประมวลผลของไดรฟ์ข้อมูลขนาดใหญ่ของข้อมูล การสตรีมมิ่ง และรหัสอัตโนมัติของ expressiveness มนุษย์ภายในข้อความที่สั้น ที่ ตั้ง การหลายวิธี และทรัพยากรเกี่ยวกับคำศัพท์ได้รับการเสนอเพื่อแยกตัวบ่งชี้ความเชื่อมั่นจากข้อความภาษาในระดับทางไวยากรณ์ และความหมาย วิธีเหล่านี้ที่อยู่มิติต่าง ๆ ของความคิดเห็น subjectivity ขั้ว ความรุนแรง และอารมณ์ บทความนี้เป็นการศึกษาวิธีแรก
ทรัพยากรเหล่านี้ ซึ่งมีความสำคัญกับขอบเขตความเชื่อมั่นแตกต่างกัน เติมเต็มกัน วัตถุประสงค์นี้ เราระบุสถานการณ์ที่ทรัพยากรเหล่านี้มีประโยชน์มากขึ้นกว่าคนอื่น ๆ

นอกจากนี้ เราเสนอวิธีนวนิยายสำหรับการจัดประเภทความเชื่อมั่นตามคุณลักษณะระดับ meta- นี้แบบมีผู้สอน
วิธีเพิ่มการจัดประเภทความเชื่อมั่นที่มีอยู่ของ subjectivity และขั้วตรวจสอบบน Twitter ผลของเราแสดงว่า ชุดของ meta-ระดับช่วยให้การปรับปรุงประสิทธิภาพการทำงานอย่างมีนัยสำคัญ

อย่างไรก็ตาม เราสังเกตว่า มีความแตกต่างสำคัญที่ใช้ชนิดของทรัพยากรเกี่ยวกับคำศัพท์ ชุดข้อมูลที่ใช้ในการสร้างแบบจำลอง และกลยุทธ์การเรียนรู้ ผลการทดลองบ่งชี้ว่า lexicons ที่สร้างขึ้นด้วยตนเองจะเน้นคำทางอารมณ์ มีประโยชน์มากสำหรับขั้วทำนาย

คง lexicons ที่สร้างขึ้น ด้วยวิธีการอัตโนมัติรวมคำกลาง เสียงรบกวนในการตรวจพบ subjectivity แนะนำ ผลการวิจัยของเราระบุว่า ขั้วและทำนาย subjectivity มิติต่าง ๆ ของปัญหาเดียวกัน แต่พวกเขาต้องการที่จะ addressed โดยใช้คุณลักษณะ subspace แตกต่างกัน

วิธีใช้ปทานุกรมจะนำเกี่ยวกับภัตตาคารสำหรับขั้ว และวิธีใช้ส่วนหนึ่งของคำพูดเป็นสำนวนมีความหมายสำหรับ subjectivity กับงานวิจัยนี้ เรามีความเข้าใจโลกมากขึ้นของคอมโพเนนต์ของทรัพยากรสำหรับงานซับซ้อนของประเภทอารมณ์มนุษย์และความคิดเห็น

ผลลัพธ์ (ไทย) 2:

คนตอบสนองต่อเหตุการณ์ที่เกิดขึ้นหัวข้อและหน่วยงานโดยการแสดงความคิดเห็นส่วนตัวของพวกเขาและอารมณ์ ปฏิกิริยาเหล่านี้สามารถสอดคล้องกับความหลากหลายของความเข้มจากอ่อนมากในการที่แข็งแกร่ง การประมวลผลที่เพียงพอและความเข้าใจของการแสดงออกเหล่านี้ได้รับเรื่องของการวิจัยในหลายสาขาเช่นธุรกิจและการเมืองในบริบทนี้ทวิตเตอร์วิเคราะห์ความเชื่อมั่นซึ่งเป็นงานของการระบุอัตโนมัติและการสกัดข้อมูลส่วนตัวจากทวิตเตอร์ที่ได้รับความสนใจเพิ่มมากขึ้น จากชุมชนเหมืองเว็บ ทวิตเตอร์ให้ข้อมูลเชิงลึกที่มีคุณค่ามากในความคิดเห็นของมนุษย์เช่นเดียวกับปัญหาใหม่ที่ท้าทายข้อมูลขนาดใหญ่ ปัญหาเหล่านี้รวมถึงการประมวลผลของปริมาณขนาดใหญ่ของข้อมูลสตรีมมิ่งเช่นเดียวกับการระบุอัตโนมัติของการแสดงออกของมนุษย์ที่อยู่ในข้อความสั้น ในพื้นที่ที่หลายวิธีและทรัพยากรคำศัพท์ได้รับการเสนอเพื่อดึงตัวชี้วัดความเชื่อมั่นจากตำราภาษาธรรมชาติทั้งในระดับประโยคและความหมาย วิธีการเหล่านี้อยู่ในมิติที่แตกต่างของความคิดเห็นเช่นส่วนตัวขั้วรุนแรงและอารมณ์ บทความนี้คือการศึกษาแรกของการใช้ทรัพยากรเหล่านี้ซึ่งจะมุ่งเน้นไปที่ขอบเขตความเชื่อมั่นที่แตกต่างเติมเต็มซึ่งกันและกัน ด้วยจุดประสงค์นี้เราระบุสถานการณ์ที่บางส่วนของทรัพยากรเหล่านี้มีประโยชน์มากกว่าคนอื่น ๆนอกจากนี้เรานำเสนอแนวทางใหม่สำหรับการจัดหมวดหมู่ความเชื่อมั่นขึ้นอยู่กับคุณสมบัติเมตาดาต้าระดับ นี้ภายใต้การดูแลวิธีการที่ช่วยเพิ่มความเชื่อมั่นการจัดหมวดหมู่ที่มีอยู่ของการกระทำและการตรวจสอบขั้วบนทวิตเตอร์ ผลของเราแสดงให้เห็นว่าการรวมกันของคุณสมบัติเมตาดาต้าระดับมีการปรับปรุงที่สำคัญในการปฏิบัติงานแต่เราสังเกตว่ามีความแตกต่างที่สำคัญที่ต้องอาศัยอยู่กับชนิดของทรัพยากรศัพท์ชุดข้อมูลที่ใช้ในการสร้างรูปแบบและกลยุทธ์การเรียนรู้ ผลการทดลองแสดงให้เห็นว่าคำศัพท์ที่สร้างด้วยตนเองมีความสำคัญกับคำพูดของอารมณ์ที่เป็นประโยชน์อย่างมากสำหรับการทำนายขั้วในทางตรงกันข้าม, คำศัพท์ที่สร้างด้วยวิธีการอัตโนมัติรวมถึงคำพูดที่เป็นกลางแนะนำเสียงในการตรวจจับผู้กระทำ ผลการวิจัยของเราแสดงให้เห็นว่ากระแสไฟฟ้าและการทำนายส่วนตัวมีขนาดแตกต่างกันของปัญหาที่เกิดขึ้นเหมือนกัน แต่พวกเขาจำเป็นต้องได้รับการแก้ไขโดยใช้สเปซที่แตกต่างกันมีวิธีการพจนานุกรมที่ใช้เป็นฝากฝังสำหรับขั้วและเป็นส่วนหนึ่งของคำพูดโวหารตามวิธีการที่มีความหมายสำหรับส่วนตัว กับงานวิจัยนี้เราขอนำเสนอข้อมูลเชิงลึกที่ทั่วโลกมากขึ้นของส่วนประกอบทรัพยากรสำหรับงานที่ซับซ้อนของการจัดอารมณ์ของมนุษย์และความเห็น

ผลลัพธ์ (ไทย) 3:

คนตอบสนองต่อเหตุการณ์ หัวข้อ และนิติบุคคล โดยการแสดงความคิดเห็นส่วนบุคคลของพวกเขาและอารมณ์ ปฏิกิริยาเหล่านี้จะสอดคล้องกับช่วงกว้างของความเข้มจากอ่อนมากที่จะแข็งแรง รูปที่เพียงพอและความเข้าใจของสำนวนเหล่านี้ได้รับเรื่องของการวิจัยในหลายด้าน เช่น ธุรกิจ และการเมือง

ในบริบทนี้ , Twitter การวิเคราะห์ความเชื่อมั่นซึ่งคืองานโดยอัตโนมัติระบุและแยกข้อมูลอัตนัยจาก tweets ที่ได้รับความสนใจเพิ่มขึ้นจากเว็บเหมืองชุมชน Twitter ให้ข้อมูลเชิงลึกที่มีคุณค่ามากในความคิดเห็นของมนุษย์ ตลอดจนข้อมูลใหม่ท้าทาย ปัญหาใหญ่ ปัญหาเหล่านี้รวมถึงการประมวลผลของไดรฟ์ขนาดใหญ่ของการสตรีมข้อมูลเช่นเดียวกับการระบุอัตโนมัติของการแสดงออกของมนุษย์ในข้อความสั้น ๆ ในพื้นที่นั้น มีหลายวิธีและทรัพยากรคำศัพท์ได้ถูกเสนอเพื่อดึงดัชนีความเชื่อมั่นจากข้อความภาษาธรรมชาติในลักษณะทางวากยสัมพันธ์และอรรถศาสตร์ระดับ วิธีเหล่านี้ที่อยู่ต่างมิติความคิดเห็น เช่น วิชา , ขั้ว , ความเข้มและอารมณ์บทความนี้เป็นการศึกษาครั้งแรกของวิธีการ
ทรัพยากรเหล่านี้ ซึ่งจะเน้นขอบเขตความเชื่อมั่นต่างๆ ประกอบกัน ด้วยจุดประสงค์นี้ เรา ระบุ สถานการณ์ ซึ่งในบางส่วนของแหล่งข้อมูลเหล่านี้ที่มีประโยชน์มากขึ้นกว่าคนอื่น ๆ

นอกจากนี้เรานำเสนอแนวคิดใหม่ในหมวดหมู่ความเชื่อมั่นตามคุณลักษณะระดับเมตา นี้ดูแล
วิธีการเพิ่มความเชื่อมั่นที่มีอยู่การจำแนกประเภทของอัตวิสัยและขั้วการตรวจจับบน Twitter ผลของเราแสดงให้เห็นว่าการรวมกันของคุณสมบัติระดับ meta มีการปรับปรุงที่สำคัญในการปฏิบัติงาน

แต่เราสังเกตว่ามีความแตกต่างที่สำคัญขึ้นอยู่กับชนิดของทรัพยากรศัพท์ ข้อมูลที่ใช้ในการสร้างรูปแบบและการเรียนรู้กลยุทธ์ผลการทดลองพบว่าพจนานุกรมที่สร้างขึ้นด้วยตนเองเน้นคำพูด อารมณ์ เป็นประโยชน์อย่างมากสำหรับขั้วคำทำนาย

ในมืออื่น ๆที่สร้างขึ้นด้วยวิธีการอัตโนมัติเองรวมถึงคำแนะนำเสียงกลาง พบในวิชา . การค้นพบของเราบ่งชี้ว่า ขั้วและวิชาพยากรณ์ มีมิติที่แตกต่างกันของปัญหาเดียวกันแต่พวกเขาต้อง addressed โดยใช้คุณลักษณะย่อยที่แตกต่างกัน

พจนานุกรมตามวิธีมีฝากฝังสำหรับขั้ว และโวหาร ส่วนหนึ่งของการพูดตามวิธีที่มีความหมายสำหรับนักสถิติ . การวิจัยนี้ เราให้ข้อมูลเชิงลึกเพิ่มเติมของทรัพยากรทั่วโลกส่วนประกอบสำหรับงานที่ซับซ้อนประเภทของอารมณ์ของมนุษย์ และความเห็น