Large-Scale Goodness Polarity Lexicons for Community Question Answering
Large-Scale Goodness Polarity Lexicons for Community Question Answering
复制标题
用于社区问答的大规模善良极性词典
DOI：
10.1145/3077136.3080757
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
Preslav Nakov
中科院分区：
文献类型：
--
作者：
Todor Mihaylov;Daniel Balchev;Yasen Kiprov;Ivan Koychev;Preslav Nakov
我们将情感分析领域的一个关键思想转移到一个新的领域：社区问答(CQA)。我们感兴趣的CQA任务如下：给定一个问题和一串评论，我们想要重新排列评论，这样对问题回答好的就会比回答不好的高。我们注意到，好的评论和坏的评论使用特定的词汇，人们经常可以预测评论的好坏，甚至可以忽略这个问题，仅仅基于评论的内容。这导致了我们建立一个好的/坏的极性词典的想法，作为对情绪分析中常用的积极/负面情绪极性词典的类比。特别是，我们使用逐点互信息来以半监督的方式从少量的初始种子开始构建大规模的好极性词典。评估结果显示，在非常强大的基线上，绝对地图点数提高了0.7个点，在SemEval-2016任务3上的表现达到了最高水平。
We transfer a key idea from the field of sentiment analysis to a new domain: community question answering (cQA). The cQA task we are interested in is the following: given a question and a thread of comments, we want to re-rank the comments, so that the ones that are good answers to the question would be ranked higher than the bad ones. We notice that good vs. bad comments use specific vocabulary and that one can often predict the goodness/badness of a comment even ignoring the question, based on the comment contents only. This leads us to the idea to build a good/bad polarity lexicon as an analogy to the positive/negative sentiment polarity lexicons, commonly used in sentiment analysis. In particular, we use pointwise mutual information in order to build large-scale goodness polarity lexicons in a semi-supervised manner starting with a small number of initial seeds. The evaluation results show an improvement of 0.7 MAP points absolute over a very strong baseline, and state-of-the art performance on SemEval-2016 Task 3.
Twitter 中的情绪分析：SemEval 视角
DOI：
10.18653/v1/w16-0427
发表时间：
2016
期刊：
ArXiv
影响因子：
--
作者：
Preslav Nakov
通讯作者：
Preslav Nakov
DOI：
10.18653/v1/s16-1136
发表时间：
2016-06
期刊：
ArXiv
影响因子：
--
作者：
Todor Mihaylov;Preslav Nakov
通讯作者：
Todor Mihaylov;Preslav Nakov
青年科研人员工作方式改革（实验医学意见）
DOI：
--
发表时间：
--
期刊：
影响因子：
--
作者：
通讯作者：
--