ترکیب نظارت از راه دور و انتخاب نمونه برای شناسایی تغییردهنده های قطبیت در تحلیل احساسات

تحلیل احساسات حوزه ای تحقیقاتی است که به شناسایی و بررسی نگرش ها و احساسات نهفته در متون می پردازد. اصلی ترین وظیفه تحلیل احساسات تعیین قطبیت متون با هدف طبقه بندی آنها در سه گروه مثبت، منفی و خنثی می باشد. یکی از چالش های اصلی در تعیین قطبیت، شناسایی تغییردهنده‌های قطبیت است. تغییردهنده های قطبیت، کلمات و عباراتی هستند که جهت یا شدت قطبیت متن را تغییر می دهند. روش-های پیشین در زمینه شناسایی تغییردهنده های قطبیت از دقت و کارایی لازم برخوردار نیستند. از طرفی، بسیاری از این روش ها نیازمند مجموعه ای از داده های برچسب‌گذاری شده برای آموزش مدل های یادگیری ماشین هستند که ساخت دستی آن توسط انسان، از نظر زمان و نیروی انسانی مقرون به صرفه نیست. در سال های اخیر، محققان از ایده نظارت از راه دور برای ساخت خودکار مجموعه های آموزش بهره برده اند که این روش با نمونه‌های خطا همراه است. در این مقاله ابتدا با استفاده از ایده نظارت از راه دور روشی برای ساخت خودکار مجموعه ای از جملات دارای برچسب تغییر قطبیت معرفی می‌گردد. سپس با کمک اتوماتاهای یادگیر روشی برای انتخاب نمونه های موثر و حذف نمونه های اشتباه از این مجموعه، ارائه می شود. در پایان، مجموعه داده کاهش یافته به عنوان مجموعه آموزش طبقه بند ماشین بردار (svm) پشتیبان برای شناسایی تغییر دهنده های قطبیت در جملات مجموعه تست استفاده می شود. نتایج ارزیابی های انجام گرفته نشان می دهد که با اعمال روش پیشنهادی برای انتخاب نمونه، صحت، دقت، فراخوانی و معیار f طبقه بند svm در شناسایی تغییر دهنده های قطبیت به ترتیب به میزان 93/5، 83/4، 54/6، 55/5 درصد افزایش یافته است. همچنین روش پیشنهادی در مقایسه با روش های پیشین شناسایی تغییر دهنده های قطبیت به کارایی بالاتری دست یافته است. برای مثال، معیار f روش پیشنهادی در مقایسه با روش رحیمی و همکاران که از ترکیب دو روش مبتنی بر قاعده و یادگیری ماشین برای شناسایی تغییردهنده های قطبیت بهره می برد، 8/13 درصد افزایش داشته است.

combining distant supervision and instance selection to detect polarity shifters in sentiment analysis

sentiment analysis is a research field concerned with extracting and analyzing sentiments and emotions embedded in textual data. the primary task in sentiment analysis is polarity detection, which aims at categorizing texts into positive, negative, or neutral classes. one of the key challenges in polarity detection is polarity shifters detection, words or phrases that alter the orientation or intensity of sentiment expressed in a text. previous methods for polarity shifters detection often lack sufficient accuracy and efficiency. moreover, many of these methods require an annotated training dataset, and manually creating such a dataset is not cost-effective in terms of time and human resources. in recent years, researchers have utilized the idea of distant supervision to automatically construct labeled datasets. however, this method is prone to noisy samples. in this paper, we first introduce a method based on distant supervision for the automatic construction of a sentence-level dataset labeled with polarity shifters. then, we employ learning automata to select effective instances and eliminating erroneous ones from the dataset. the reduced dataset is subsequently used to train an svm classifier for detecting polarity shifters in sentences from a test set. the experimental results show that by applying the proposed method for instance selection, the accuracy, precision, recall, and f-measure of the svm classifier in identifying polarity shifters have increased by 5.93, 4.83, 6.54, and 5.55 percent, respectively. the proposed method has also achieved higher performance compared to previous methods of polarity shifters detection. for example, the f-measure of the proposed method has increased by 13.8 percent compared to the method of rahimi et al., which uses a combination of rule-based and machine learning methods to identify polarity shifters.