Sentiment Analysis

Sentiment Analysis beschäftigt sich mit dem Problem, Texte und Bilder nach Emotionen zu durchsuchen und zu analysieren. In vielen Bereichen der Wirtschaft ist dieses Feld in den letzten Jahren interessant geworden. Die aktuellsten Forschungen in diesem Bereich finden Sie hier.

August 2017 – Sentiment Analysis by Joint Learning of Word Embeddings and Classifier 

Prathusha Kameswara Sarma, Bill Sethares. Die Autoren stellen Supervised Word Embeddings for Sentiment Analysis vor. Mit dieser Struktur erreichen sie auf verschiedenen Datenbanken in ihren Experiments den State-of-the-Art bezüglich AUC. In einigen Fällen sind sie damit sogar genauer als die aktuell bekannten Ergebnisse. SWESA ist dabei ein sehr flexibles Konstrukt. [Zum Paper]

 

August 2017 – Using millions of emoji occurrences to learn any-domain representations for detecting sentiment, emotion and sarcasm 

Bjarke Felbo, Alan Mislove, Anders Søgaard, Iyad Rahwan, Sune Lehmann. Die Autoren benutzen Emojis um Stimmung, Emotionen und Sarkasmus in texten zu finden. Außerdem finden sie das Mapping von Text zu Emojis. [Zum Paper]

 

April 2017 – Sentiment analysis based on rhetorical structure theory: Learning deep neural networks from discourse trees

Mathias Kraus und Stefan Feuerriegel. Ein neuer Ansatz für Sentiment Analysis. Die Autoren benutzen Discourse Trees (Entscheidungsbäume für Phrasen) und bestimmen damit verschiedene Metriken wie bspw. die Polarität der Phrase. Dieser Ansatz wird dann benutzt, um die Sentiment-Analyse auszuführen. [Zum Paper]

 

April 2017 – Learning to Generate Reviews and Discovering Sentiment

Alec Radford et al. Gibt es ein Sentiment-Neuron? Radford und seine Co-Autoren haben es gefunden. Ihr Netz, bestehend aus LSTMs (Long Short Term Memory) hat das Konzept von Sentiment mit gelernt. Das konnten sie durch Isolation der Komponente zeigen. [Zum Paper]

 

Dezember 2016 – Distributed Real-Time Sentiment Analysis for Big Data Social Streams

Amir Hossein Akhavan Rahnama. Diese Veröffentlichung beschäftigt sich mit Sentinel – ein Tool, in Java geschrieben, dass die Echtzeitanalyse von Big-Data Streams ermöglicht. [Zum Paper]

 

Dezember 2016 – Supervised Opinion Aspect Extraction by Exploiting Past Extraction Results

Lei Shu, Bing Liu, Hu Xu und Annice Kim. Das Paper untersucht Product Reviews und deren Extraktion. Hier werden N-Grams extrahiert und versucht, bestimmte Attribute der Produkte herauszufinden. [Zum Paper]

 

Dezember 2016 – User Bias Removal in Fine Grained Sentiment Analysis

Rahul Wadbude, Dheeraj Mekala, Janish Jindal, Harish Karnick und Vivek Gupta. Die Betrachtung voreingenommener User sind bei der Beurteilung von Product Reviews immer schwierig. Wie man diese User aus einem Modell herausrechnen kann, damit beschäftigt sich dieses Paper. [Zum Paper]

 

November 2016 – TopicRNN: A Recurrent Neural Network with Long-Range Semantic Dependency

Adji B. Dieng, Chong Wang, Jianfeng Gao, John Paisley. Semantische Beziehungen aus Dokumenten zu extrahieren ist ein besonders schwerer Task. In diesem Paper wird dies mittles rekurrenten neuronalen Netzen versucht. Dieses, TopicRNN genannte, Modell wird u.a. auch zur Sentiment Analysis benutzt. [Zum Paper]

 

Oktober 2016 – The Anatomy of Brexit Debate on Facebook

Michela Del Vicario, Fabiana Zollo, Guido Caldarelli. Der Brexit hat für ziemlich viel Wirbel gesorgt. In dieser Veröffentlichung wird das Postverhalten sowie die “Beschallung” der jeweiligen Echokammern angesehen. Außerdem enthält sie viele interessante Statistiken über die Verbreitung der Nachrichten. [Zum Paper]

 

Oktober 2016  – emoji2vec: Learning Emoji Representations from their Description

Ben Eisner et al. Emojis sind Emotionen in Bildform, die jeder Smartphone-User kennt und nutzt. Dieses Paper clustert diese Emojis anhand ihrer Beschreibung und versucht somit, Ähnlichkeiten herzustellen – Semantik in Smiley zu bringen. [Zum Paper]

 

Others

  • Dezember 2016 – A Simple Approach to Multilingual Polarity Classification in Twitter [Zum Paper]
  • Oktober 2016 – Sentiment Analysis of Review Datasets Using Naive Bayes and K-NN Classifier [Zum Paper]