وبلاگ 10: تجزیه و تحلیل احساسات یا ارزیابی ذهنیت

تجزیه و تحلیل احساسات یک روش استخراج متن است که به تجزیه و تحلیل و طبقه بندی نظرات ذهنی می پردازد. به طور مرتب برای نظارت بر نظرات منتقل شده در شبکه های اجتماعی ، رویکردهای مختلفی به وجود می آید.

با یادگیری ماشین استفاده نمی شود؟این را اول بخوانید!

الگوریتم های یادگیری ماشین را می توان به چهار دسته تقسیم کرد:

1) یادگیری تحت نظارت به دنبال ایجاد یک نمایش جمع و جور از ارتباط بین ورودی ها و خروجی ها از طریق یک عملکرد پیش بینی است. به طور خاص ، به الگوریتم های رگرسیون خطی اشاره دارد ، که روابط پیچیده و درختان تصمیم گیری را ساده می کند ، که به داده های زیادی نیاز دارند و تفسیر آن گاهی دشوار است.

2) یادگیری بدون نظارت یک تکنیک یادگیری عمیق است ، از جمله الگوریتم هایی که با داده های نامشخص (یا بدون پاسخ) سروکار دارند. آنها امکان تجزیه و تحلیل مقادیر زیادی از داده ها ، کشف دانش موجود در این داده ها و ایجاد پیش بینی ها یا طبقه بندی ها را فراهم می کنند.

3) یادگیری نیمه تحت نظارت ، مدلهایی را از داده های دارای برچسب و بدون برچسب ایجاد می کند ، به عنوان مثال ، برای ایجاد رتبه بندی یا تولید خودکار محتوا.

4) یادگیری تقویت ، که به تفسیرهای سیستم متکی است ، مبتنی بر یک سیستم پاداش-حقوقی است. این الگوریتم عمدتاً برای بازی هایی که یک دستگاه با یک انسان روبرو است استفاده می شود.

افکار عمومی به نظرات و خواسته های اکثریت جمعیت در مورد امور سیاسی ، تجاری ، اجتماعی یا سایر موارد اشاره دارد (ال باراچی و همکاران ، 2021).‘افکار عمومی نوعی تضاد نحوی داخلی را به همراه دارد: در حالی که اصطلاح عمومی گروه و جهانی را تعیین می کند ، نظر به طور کلی با فرد در ارتباط است و یک فرمولاسیون داخلی و ذهنی در نظر گرفته می شود (گلین و بزرگ ، 2008). بنابراین ، این یک مفهوم نسبتاً گسترده است ، که مفاهیم احساس ، ارزیابی ، قدردانی یا نگرش را نیز در بر می گیرد. علاوه بر این ، این عقیده می تواند مجرد باشد یا مجموعه ای از عقاید را تشکیل دهد. یک احساس را می توان به عنوان یک حالت عاطفی از آگاهی تعریف کرد که ناشی از احساسات است (کامبریا و همکاران ، 2017).

تجزیه و تحلیل احساسات رشته ای از استخراج متن و استخراج عقاید است که نظرات ، احساسات و احساسات ذهنی را به سمت محصولات ، سازمان ها ، افراد و موضوعات دیگر تجزیه و تحلیل و طبقه بندی می کند (Medhat et al. ، 2014 ؛ Keshavarz and Abadeh ، 2017). بر اساس پردازش زبان طبیعی (NLP) ، در انواع زمینه های ناهمگن (سیاست ، بازاریابی ، تجارت ، جامعه شناسی و غیره) مورد مطالعه قرار می گیرد (Mowlaei et al. ، 2020 ؛ Parvin et al. ، 2021). به طور مرتب برای مطالعه نظرات کاربران اینترنت که خود را در شبکه های اجتماعی بیان می کنند یا حتی برای پیش بینی نتایج انتخابات استفاده می شود ، زیرا درک داده های استخراج شده را تسهیل می کند (Chauhan et al. 2021 ؛ Dang et al. ، 2020 ؛ Jain ، 2021).

قطبیت و شدت دو مؤلفه است که در تجزیه و تحلیل احساسات استفاده می شود. قطبیت نشان می دهد که آیا احساسات منفی ، خنثی یا مثبت است ، در حالی که شدت نشان دهنده قدرت نسبی احساس است (دانگ و همکاران ، 2020).

فرهنگ لغت در مقابل جسد

تجزیه و تحلیل احساسات را می توان از طریق دو رویکرد حل کرد: فرهنگ لغت مبتنی بر (یا واژگان مبتنی بر) ، که شامل مجموعه ای از اصطلاحات به دست آمده-معمولاً مثبت و منفی است (ژانگ و همکاران ، 2018 ؛ برنج و زورن ، 2021). و مبتنی بر جسد ، حاشیه نویسی یا نه (یعنی شامل اصطلاحات عقیده و قوانین نحوی ، در چارچوب حاشیه نویسی) ، که به عنوان پایه ای برای عملیات طبقه بندی در یادگیری تحت نظارت یا بدون نظارت (Dang et al. ، 2020؛ جین ، 2021).

به گفته مدات و همکاران.(2014) ، یک cheme یادگیری تحت نظارت به دلیل پیچیدگی آن ، از رویکرد مبتنی بر فرهنگ لغت کارآمدتر است. در واقع ، تهیه یک قشر عظیم که تمام شرایط یک زبان معین را پوشش می دهد ، چالش برانگیز است. با این حال ، این مزیت را دارد که به یافتن مناطق و زمینه های خاص کمک کند. این یک طرح به طور کلی دقیق تر برای سایر محققان است ، اگرچه به دلیل فعالیت های حاشیه نویسی بسیار کندتر از یک روش فرهنگ لغت یا واژگان است (آگوستینیاک و همکاران ، 2015 ؛ Khoo and Johnkhan ، 2018). با این حال ، برخی دیگر بر این باورند که یک طرح یادگیری تحت نظارت منجر به نتایج به اندازه کافی معنی دار نمی شود (Van Atteveldt و همکاران ، 2021).

در یک طرح یادگیری بدون نظارت ، اطلاعات مورد استفاده برای آموزش داده ها نه طبقه بندی می شود و نه برچسب گذاری می شود. این روش داده های اساسی را برای یادگیری در مورد مجموعه داده ها مدل می کند (جین ، 2021). این شامل روشهای مبتنی بر خوشه بندی است که به گروه بندی داده ها امکان می دهد و می توانند بدون هیچ گونه مداخله انسانی نتایج دقیقی به دست آورند. روشهای انجمن ، که می تواند در هنگام برخورد با یک پایگاه داده گسترده ، روابط بین بخش های زیادی از داده ها را بررسی کند (Jain ، 2021).

اگرچه به رسمیت شناخته شده است که یک رویکرد ترکیبی-که ترکیبی از روشهای یادگیری واژگان و ماشین است-به طور بالقوه منجر به نتایج بهتر می شود (Prabowo and Thelwall ، 2009 ؛ Jain ، 2021 ؛ Hardeniya and Borikar ، 2016) ، یک رویکرد مبتنی بر واژگان بیشترین استمناسب وقتی داده ها داده های کافی یا در صورت عدم وجود داده های آموزشی ندارند (Khoo and Johnkhan ، 2018). همچنین برای پردازش شرکت های کوچک مهمترین آن است (دنگ و همکاران ، 2017). علاوه بر این ، برخی از محققان معتقدند استفاده از واژگان برای سایر زمینه ها قابل تکرار تر از استفاده از طبقه بندی کننده برای مشکلی است که برای آن آموزش داده نشده است (ترنر و همکاران ، 2021).

محدودیت یک رویکرد مبتنی بر واژگان

در یک رویکرد مبتنی بر واژگان ، تجزیه و تحلیل احساسات معمولاً در دو مرحله انجام می شود: تشخیص ذهنیت ، که مربوط به موضوعی است که احساس به آن هدایت می شود و قطبیت اختصاص داده شده با استفاده از واژگان یا فرهنگ لغت (هاردنیا و بوریکار ، 2016).

در حالی که آنها این مزیت را دارند که آماده استفاده باشند (برنج و زورن ، 2021) ، واژگان همه حوزه های کاربردی را در نظر نمی گیرند-که عملاً غیرممکن خواهد بود-و می تواند منجر به نتایج نادرست یا نامعتبر شود (گریمر و استوارت ، 2013). علاوه بر این ، مقدار اصطلاحاتی که در آن وجود دارد همیشه برای برآورده کردن تمام غنای زبانی که ده ها هزار کلمه را در نظر می گیرد ، کافی نیست.

به همین دلیل ون آتولدت و همکاران.(2021) استفاده از حداکثر فرهنگ لغت را برای تجزیه و تحلیل احساسات و در نظر گرفتن شخصی سازی یک فرهنگ لغت موجود یا ایجاد یک فرهنگ لغت خود توصیه کنید. اما ساختن یک فرهنگ لغت زمان می برد و کل سوال از اعتبار آن را مطرح می کند زیرا تحت نظارت انسان گردآوری شده است (گریمر و استوارت ، 2013 ؛ رایس و زورن ، 2021 ؛ موولائی و همکاران ، 2020 ؛ دنگ و آل. ، 2017 ؛ باگری و همآل. ، 2013).

ساختن یک واژگان اصلی می تواند از طریق الگوریتم های طبقه بندی به صورت پویا در نظر گرفته شود - به عنوان مثال ، بیوها یا دستگاه بردار پشتیبانی که مرتباً برای عملیات طبقه بندی استفاده می شود (بنتا و همکاران ، 2019 ؛ مدات و همکاران ، 2014). در اینجا ، این یک سؤال از آموزش طبقه بندی کننده در یک جبهه حاشیه نویسی است (Keshavarz and Abadeh ، 2017). این شکل از یادگیری تحت نظارت این مزیت را دارد که باعث ایجاد واژگان متنی می شود. با این حال ، برای کار خوب به مقدار قابل توجهی داده نیاز دارد.

محدودیت های یک رویکرد توسط واژگان جمع است:

1) واژگان متداول بسیار کلی هستند و زمینه ای را که در آن اصطلاح استفاده می شود ، در نظر نمی گیرند ، در حالی که معنای کلمات و احساس دقیقاً به متن بستگی دارد.

2) بنابراین واژگان غالباً کافی نیستند و اصطلاحات سازگار با میدان ندارند.

3) آنها با معناشناسی مبهم خیلی خوب سر و کار ندارند (به عنوان مثال ، در زمینه بحران Covid ، "آزمایش مثبت" هیچ چیز مثبتی نیست یا "دولت عالی است" می تواند در درجه اول احساس مثبت نویسنده را برانگیزد.، یا منفی ، از زاویه درجه دوم طعنه آمیز دیده می شود) ؛

4) با تکامل این زمینه ، اصطلاح داوری مثبت می تواند منفی شود.

5) یک اصطلاح مورد نظر در یک زمینه ممکن است در دیگری بسیار منفی باشد.

6) ساختن یک واژگان اصلی هنگام انجام دستی زمان می برد.

7) نفی در رویکردی که فقط به unigrams متکی است ، رفتار نمی شود ، در حالی که این قطبیت جمله را معکوس می کند.

8) یک جمله ممکن است حاوی هیچ احساساتی باشد ، همانطور که در مورد برخی از جملات بازجویی (Khoo and Johnkhan ، 2018 ؛ Liu ، 2012 ؛ Deng et al. ، 2017 ؛ Jain ، 2021 ؛ Mejova ، 2009 ؛ Hardeniya and Borikar ، 2016).

علاوه بر این ، احساسی که در یک جمله بیان شده است ، نمی تواند به مجموع احساسات ترکیبات آن کاهش یابد. احساسات تابعی از ترکیبات جمله است (کامبریا و همکاران ، 2017 ، ص . 70).

تجزیه و تحلیل احساسات شامل قدردانی از ذهنیت است که در چارچوب یک رویکرد توسط واژگان یا یک روش نظارت شده ، بخشی از ذهنیت را نیز شامل می شود.

چالش های محتوای منتشر شده در توییتر

محتوای تولید شده توسط کاربر در توییتر به تعاملات اجتماعی متکی است. از نظر کیفیت ، آنها سطح مختلفی از دشواری ها را برای برطرف کردن بالادست تجزیه و تحلیل احساسات ارائه می دهند:

1) متن به طور کلی از نظر دستور زبان ، ساختار و تشریفات زبان طبیعی به خوبی شکل نمی گیرد.

2) هیچ هماهنگی املایی وجود ندارد ، و بنابراین برخی از اصطلاحات ممکن است چندین هجی متفاوت داشته باشد.

3) استفاده فعلی از اختصارات همیشه به منطق استاندارد سازی پاسخ نمی دهد.

4) کلمات عامیانه یا جارگون لزوماً در واژگان در نظر گرفته شده برای تجزیه و تحلیل احساسات گنجانده نشده است.

4) اصطلاحات غیر مقیاس "سر و صدا" را به محتوا اضافه می کند.

5) زمینه همیشه به خوبی تعریف نشده است.

6) توییت ممکن است حاوی علائم ، نام کاربری ، شکلک ها ، هشتگ ها ، لینک ها و محتوای غیر متن باشد. علاوه بر این ، چندین نظر می تواند در یک توییت واحد همزیستی باشد (دنگ و همکاران ، 2017 ؛ جین ، 2021 ؛ کومار و سباستین ، 2012 ؛ کامبریا و همکاران ، 2017 ، ص . 142 ؛ مارتینز-کمارا و همکاران ، 2014).

به همین دلیل است که تجزیه و تحلیل احساسات باید به خوبی در بالادست با اولویت بندی پردازش داده ها به خوبی آماده شود ، که بسیار مهم تر است زیرا نشان داده شده است که بهبود کیفیت داده ها منجر به کیفیت بهتر طبقه بندی احساسات می شود (لی و همکاران ، 2020)بشر

منابع

Augustyniak ، ł. ، Szymański ، P. ، Kajdanowicz ، T. ، & Tuligłowicz ، W. (2015). مطالعه جامع در مورد تجزیه و تحلیل احساسات طبقه بندی مبتنی بر واژگان. آنتروپی (بازل ، سوئیس) ، 18 (1) ، 4. https://doi.org/10. 3390/E18010004

Bagheri ، A. ، Saraee ، M. ، & de Jong ، F. (2013). بیشتر در مورد مشتریان اهمیت دهید: تشخیص جنبه مستقل از دامنه بدون نظارت برای تجزیه و تحلیل احساسات از بررسی های مشتری. سیستم های مبتنی بر دانش ، 52 ، 201-213. https://doi.org/10. 1016/j. knosys. 2013. 08. 011

Bogdan ، M. ، & Borza ، A. (2020). تجزیه و تحلیل داده های بزرگ و عملکرد شرکت: یک رویکرد معدنکاری متن. در مجموعه مقالات کنفرانس مدیریت بین المللی (جلد 14 ، شماره 1 ، صص 549-560). دانشکده مدیریت ، آکادمی مطالعات اقتصادی ، بخارست ، رومانی.

Bonta ، V. ، Kumaresh ، N. ، & Janardhan ، N. (2019). یک مطالعه جامع در مورد رویکردهای مبتنی بر واژگان برای تجزیه و تحلیل احساسات. مجله آسیایی علوم و فناوری رایانه ، 8 (S2) ، 1-6. https://doi.org/10. 51983/AJCST-2019. 8. S2. 2037

Cambria ، E. ، Das ، D. ، Bandyopadhyay ، S. ، & Feraco ، A. (Eds.).(2017). یک راهنمای عملی برای تجزیه و تحلیل احساسات (چاپ اول). انتشارات بین المللی اسپرینگر.

Chauhan ، P. ، Sharma ، N. ، & Sikka ، G. (2021). ظهور داده های رسانه های اجتماعی و تجزیه و تحلیل احساسات در پیش بینی انتخابات. مجله هوش محیط و محاسبات انسانی ، 12 (2) ، 2601-2627. https://doi.org/10. 1007/s12652-020-02423-y

Dang ، N. C. ، Moreno-García ، M. N. ، & de la Prieta ، F. (2020). تجزیه و تحلیل احساسات بر اساس یادگیری عمیق: یک مطالعه مقایسه ای. در arxiv [cs. cl]. http://arxiv.org/abs/2006. 03541

Deng ، S. ، Sinha ، A. P. ، & Zhao ، H. (2017). تطبیق واژگان احساسات با متون رسانه های اجتماعی خاص دامنه. سیستم های پشتیبانی تصمیم گیری ، 94 ، 65-76. https://doi.org/10. 1016/j. dss. 2016. 11. 001

El Barachi ، M. ، Alkhatib ، M. ، Mathew ، S. ، & Oroumchian ، F. (2021). یک چارچوب تجزیه و تحلیل احساسات جدید برای نظارت بر تکامل افکار عمومی در زمان واقعی: مطالعه موردی در مورد تغییرات آب و هوا. مجله تولید پاک کننده ، 312 (127820) ، 127820. https://doi.org/10. 1016/j. jclepro. 2021. 127820

Gly ، C. J. ، & Huge ، M. E. (2008). افکار عمومی. در دائر ycl المعارف بین المللی ارتباطات. جان ویلی و پسران ، آموزشی ویبولیتین

گریمر ، جی. ، و استوارت ، ب. م. (2013). متن به عنوان داده: وعده و مشکلات روشهای تحلیل خودکار محتوای برای متون سیاسی. تجزیه و تحلیل سیاسی: انتشار سالانه بخش متدولوژی انجمن علوم سیاسی آمریکا ، 21 (3) ، 267-297. https://doi.org/10. 1093/pan/mps028

Hardeniya ، T. ، & Borikar ، D. A. (2016). رویکرد مبتنی بر فرهنگ لغت به تجزیه و تحلیل احساسات-یک بررسی. مجله بین المللی مهندسی پیشرفته ، 2 (5).

Jain ، S. (2021). یک مطالعه سیستماتیک در مورد تجزیه و تحلیل احساسات بر اساس استخراج متن و یادگیری عمیق برای پیش بینی در روند بازار سهام از طریق داده های رسانه های اجتماعی و خبری. مجله بین المللی تحقیقات در علوم کاربردی و فناوری مهندسی ، 9 (10) ، 1589-1593. https://doi.org/10. 22214/ijraset. 2021. 38662

Keshavarz ، H. ، & Abadeh ، M. S. (2017). جلبک: یادگیری واژگان تطبیقی با استفاده از الگوریتم ژنتیکی برای تجزیه و تحلیل احساسات از میکروبلوگ ها. سیستم های مبتنی بر دانش ، 122 ، 1-16. https://doi.org/10. 1016/j. knosys. 2017. 01. 028

Khoo ، C. S. G. ، & Johnkhan ، S. B. (2018). تجزیه و تحلیل احساسات مبتنی بر واژگان: ارزیابی مقایسه ای شش واژگان احساساتی. مجله علوم اطلاعات ، 44 (4) ، 491-511. https://doi.org/10. 1177/01655151517703514

Kumar ، A. ، & Sebastian ، T. M. (2012). تجزیه و تحلیل احساسات در توییتر. مجله بین المللی موضوعات علوم کامپیوتر (IJCSI) ، 9 (4) ، 372.

Kuznetsov ، I. ، & Gurevych ، I. (2018). از متن به واژگان: پل زدن شکاف بین تعبیه های کلمه و منابع واژگانی. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی زبانشناسی محاسباتی (صص 233-244).

Li ، L. ، Goh ، T.-T. ، & Jin ، D. (2020). چگونه کیفیت متنی بررسی های آنلاین بر عملکرد طبقه بندی تأثیر می گذارد: موردی از تجزیه و تحلیل احساسات عمیق. محاسبات و برنامه های عصبی ، 32 (9) ، 4387-4415. https://doi.org/10. 1007/s00521-018-3865-7

لیو ، ب. (2012). تجزیه و تحلیل احساسات و استخراج نظر. مورگان و کلایپول.

Martínez-Cámara ، E. ، Martín-Valdivia ، M. T. ، Ureña-López ، L. A. ، & Montejo-Ráez ، A. R. (2014). تجزیه و تحلیل احساسات در توییتر. مهندسی زبان طبیعی ، 20 (1) ، 1-28. https://doi.org/10. 1017/S1351324912000332

Medhat ، W. ، Hassan ، A. ، & Korashy ، H. (2014). الگوریتم ها و برنامه های تجزیه و تحلیل احساسات: یک نظرسنجی. مجله مهندسی Ain Shams ، 5 (4) ، 1093 1113. https://doi.org/10. 1016/j. asej. 2014. 04. 011

Mejova ، Y. (2009). تجزیه و تحلیل احساسات: یک مرور کلی. دانشگاه آیووا ، گروه علوم کامپیوتر

Mowlaei ، M. E. ، Saniee Abadeh ، M. ، & Keshavarz ، H. (2020). تجزیه و تحلیل احساسات مبتنی بر جنبه با استفاده از واژگان مبتنی بر جنبه سازگار. سیستم های خبره با برنامه ها ، 148 (113234) ، 113234. https://doi.org/10. 1016/j. eswa. 2020. 113234

Parvin ، S. A. ، Sumathi ، M. ، & Mohan ، C. (2021). چالش های تجزیه و تحلیل احساسات - یک نظرسنجی. 2021 پنجمین کنفرانس بین المللی در مورد روند الکترونیک و انفورماتیک (ICOEI).< Pan> Liu ، B. (2012). تجزیه و تحلیل احساسات و استخراج نظر. مورگان و کلایپول.