Entity emotion mining in social media environment
Entity emotion mining in social media environment
复制标题
社交媒体环境下的实体情感挖掘
DOI：
10.1002/cpe.5336
复制
发表时间：
2019-06
期刊：
影响因子：
--
通讯作者：
Yike Guo
中科院分区：
文献类型：
--
作者：
Xuefeng Fu;Xiangfeng Luo;Yike Guo
随着社交媒体(如新浪微博和推特)的蓬勃发展，公众热衷于表达他们对作为名人和产品的实体的看法或看法。社交媒体上的情感挖掘可以应用于不同的领域，例如帮助政府或组织了解人们的态度，以便为商业服务或政治活动做出正确的决策。一种主流的情感挖掘方法是基于主题模型的，而现有的这些方法大多是针对整个微博分析整个情感，而不是将相关的情感明确地分配给特定的实体。此外，主题模型主要基于词袋模型，但在建模过程中忽略了实体词之间的语义关系，给情感分析带来了较低的准确率和较差的可解释性。为了克服上述困难，提出了一种实体情感主题模型(ESTM)，该模型进行基于实体的情感分析。为了提高情感分析的准确性和结果的可解释性，将ESTM与实体词关系和六维情感词典相结合，作为弱监督信息。实验表明，在情感分类的准确性、可解释性和实体连贯主题的质量方面都取得了良好的结果。
With the thriving of the social media (eg, Sina Microblog and Twitter), the public is keen on expressing their opinions or views on entities as celebrities and products. Emotion mining on social media can be applied in diverse areas, such as helping government or organizations understand people's attitudes so as to make right decisions for business services or political campaigns. One kind of the mainstream approaches for emotion mining are based on topic models, while most of these existing approaches aim at analyzing entire sentiments for the whole Microblog, rather than explicitly assigning the relevant sentiments to the specific entities. In addition, topic model is mainly based on the bag‐of‐words model but ignores the semantic relations of entity‐word in the modeling process, which brings low accuracy and poor interpretability to the sentiment analysis. To overcome the aforementioned difficulties, an Entity Sentiment Topic Model (ESTM) is proposed, which carries out entity‐dependent sentiment analysis. To improve the accuracy of sentiment analysis and enhance the interpretability of the results, ESTM is integrated with relations of entity‐word and a six‐dimensional emotion lexicon as weakly supervised information. Experiments have shown promising results on sentiment classification accuracy, interpretability, and quality of coherent topics for entities.
登录
查看更多内容
DOI：
--
发表时间：
2010-05
期刊：
--
影响因子：
--
作者：
Stefano Baccianella;Andrea Esuli;F. Sebastiani
通讯作者：
Stefano Baccianella;Andrea Esuli;F. Sebastiani
DOI：
10.1109/icdm.2012.107
发表时间：
2012-12
期刊：
2012 IEEE 12th International Conference on Data Mining
影响因子：
--
作者：
Hyungsul Kim;Yizhou Sun;J. Hockenmaier;Jiawei Han
通讯作者：
Hyungsul Kim;Yizhou Sun;J. Hockenmaier;Jiawei Han
DOI：
10.1007/978-3-319-74690-6_51
发表时间：
2018-02
期刊：
--
影响因子：
--
作者：
M. Fouad;Tarek F. Gharib;A. Mashat
通讯作者：
M. Fouad;Tarek F. Gharib;A. Mashat
影响因子：
--
作者：
Plutchik, R
通讯作者：
Plutchik, R
DOI：
10.1109/icdm.2017.83
发表时间：
2017-11
期刊：
2017 IEEE International Conference on Data Mining (ICDM)
影响因子：
--
作者：
Reinald Kim Amplayo;Seung-won Hwang
通讯作者：
Reinald Kim Amplayo;Seung-won Hwang