Szöveges hangulatelemzés

Egy másik kutatási irány a szubjektivitás/objektivitás azonosítása [12] . Ezt a feladatot általában úgy határozzák meg, hogy egy adott szöveget két osztály egyikéhez rendelnek: szubjektív vagy objektív . Ez a probléma néha összetettebb lehet, mint a polaritás szerinti besorolás: a szavak és kifejezések szubjektivitása a kontextusuktól függhet , és egy objektív dokumentum szubjektív mondatokat tartalmazhat (például egy hírcikk, amely az emberek véleményét idézi). Sőt, amint azt Su [12] említette , az eredmények inkább a szövegannotációkkal összefüggésben használt szubjektivitás-definíciótól függenek. Bárhogy is legyen, Pang [13] kimutatta, hogy az objektív mondatok eltávolítása a dokumentumból a polaritás osztályozása előtt javította az eredmények pontosságát.

A részletesebb elemzési modellt jellemző/szempont alapú elemzésnek nevezzük. Ez a modell az entitások különböző funkciói vagy aspektusai által kifejezett vélemények vagy érzelmek meghatározására utal, mint például a mobiltelefon, a digitális fényképezőgép vagy a bank. A tulajdonság/szempont egy olyan entitás attribútuma vagy összetevője, amelyet érzelmek szempontjából vizsgálnak, mint például a mobiltelefon képernyője vagy a kamerafelvétel minősége. Ez a probléma számos feladat megoldását igényli, például a releváns entitások azonosítását, funkcióik/szempontjaik kinyerését, és annak megállapítását, hogy az egyes funkciókról/szempontokról kifejezett vélemény pozitív, negatív vagy semleges. Erről a témáról részletesebb megbeszélés található az NLP kézikönyvében , az "Érzelem és szubjektivitás elemzése" [14] című fejezetében .

A tonalitás osztályozásának megközelítései

A számítógépek képesek digitális szövegek automatikus elemzésére a gépi tanulás elemeinek felhasználásával , mint például a látens szemantikai elemzés, a támogató vektorgép , a szavak zsákja és a szemantikai fókusz ezen a területen [7] . A kifinomultabb módszerek megkísérlik azonosítani az érzés tulajdonosát (azaz a személyt) és a célpontot (azaz azt az entitást, amellyel kapcsolatban az érzések kifejeződnek). A vélemény meghatározásához a szövegkörnyezet figyelembevételével a szavak közötti grammatikai kapcsolatokat használják [15] .

A nyelvtani összefüggések összefüggéseit a szöveg mélyszerkezeti elemzése alapján kapjuk meg. A hangulatelemzés két külön kategóriába sorolható [16] :

• kézi (vagy szakértői hangulatelemzés);
• automatizált hangulatelemzés .

A legszembetűnőbb különbség a kettő között a rendszer hatékonyságában és az elemzés pontosságában rejlik. Az automatizált hangulatelemző számítógépes programok gépi tanulási algoritmusokat, statisztikai eszközöket és természetes nyelvi feldolgozást használnak nagy mennyiségű szöveg feldolgozására, beleértve a weboldalakat , az online híreket, az internetes vitacsoportok szövegeit, az online ismertetőket, a webblogokat és a közösségi hálózatokat .

Szemantikus tezauruszok

Számos szinonimaszótár van kifejezetten az érzelmi komponensre vonatkozóan megjelölve. Az alábbiakban ismertetett szótárak a számítógépes programok számára szükségesek egy szöveg hangulatának elemzéséhez.

WordNet-Affect

A WordNet-Affect fejlesztésére példa volt a WordNet WordNet Domain nevű többnyelvű kiterjesztése [ 17 ] . A WordNet Domain kiterjesztésében minden synsethez legalább egy tartománycímke (angolul "domain label") van hozzárendelve, például: sport, politika, orvostudomány. Összességében mintegy kétszáz tárgycímke szerepelt a hierarchikusan szervezett struktúrában [18] .

A WordNet-Affect egy szemantikai tezaurusz, amelyben az érzelmekhez kapcsolódó fogalmakat („emotional concepts”, angol „affective concepts”) olyan szavak segítségével ábrázolják, amelyeknek van érzelmi összetevője („érzelmi szavak”, angol „affective words”) [17] . A WordNet-Affect a WordNet szinkészletek egy részhalmazából áll [19] , ahol minden egyes „érzelmi fogalomnak” megfelelő szintkészlet „érzelmi szavakkal” ábrázolható [17] .

Így a WordNet-Affect a WordNet for English alapján jött létre (a WordNet-Affect más nyelvekre is vannak verziói [20] ) szinonimák (synset) kiválasztásával és hozzárendelésével a különböző érzelmi fogalmakhoz. Különösen az érzelmek leírását jelentő igék, főnevek, melléknevek és határozószók szinkészleteit speciális érzelmi címkékkel (affektív címkék, A-címkék) kézzel címkézték [21] . Ezek az érzelmi címkék különféle állapotokat jellemeznek, amelyek hangulatokat, érzelmi válaszokat vagy érzelmeket kiváltó helyzeteket fejeznek ki [21] . Az ilyen érzelmi címkékre példákat adunk az alábbi táblázatban [22]

Ezenkívül a WordNet-Affect további érzelmi címkéket használ a szintkészletek érzelmi vegyértékük szerinti elkülönítésére. Ehhez négy további érzelmi címkét határoznak meg: pozitív, negatív, kétértelmű és semleges [21] . Az első a pozitív érzelmeknek felel meg, amelyeket olyan érzelmi állapotokként határoznak meg, amelyeket pozitív hedonikus jelek (vagy öröm) jelenléte jellemez. Olyan synseteket tartalmaz, mint az öröm #1 vagy a szenvedély #1. Hasonlóképpen , a negatív címke olyan negatív érzelmeket azonosít, amelyeket negatív hedonikus jelek (vagy fájdalom) jellemeznek, mint például a harag #1 vagy a szomorúság #1. Az érzelmi állapotokat reprezentáló szinkészletek, amelyek vegyértéke a szemantikai kontextustól függ (például az 1. meglepetés), kétértelműnek vannak jelölve . Végül a pszichológiai állapotokat meghatározó és mindig kétértelműnek tartott, de vegyértékkel nem jellemezhető szintkészletek semlegesek [21] .

Az érzelmi címkékkel jelölt synseteket ezenkívül hat érzelmi kategóriával is újracímkézik: öröm, félelem, harag, szomorúság, undor, meglepetés. Így a WordNet-Affect fizikai szerkezete hat fájlból áll: harag.txt, undor.txt, félelem.txt, joy.txt, szomorúság.txt, meglepetés.txt , ahol minden fájl egy kategória leírása [23] . Jelenleg a WordNet-Affect 2874 szintkészletet és 4787 szót tartalmaz [24] .

A Moldovai Műszaki Egyetem tudósai a WordNet-Affect szinkészleteket angolról oroszra és románra fordították, igazításukat elvégezték: angol - román - orosz [25] . A forrás online kutatási célokra elérhető [23] .

SentiWordNet

A SentiWordNet egy lexikális szemantikai tezaurusz, amelynek első változatát 2006-ban fejlesztették ki. [26] A SentiWordNet jelenlegi verziója a SentiWordNet 3.0 [26] , amely több mint 20%-os pontossági javulást biztosít az első verzióhoz képest [26] .

Ez a rendszer egy olyan folyamat eredménye, amely minden WordNet -szintkészletet (szinonimák halmazát) automatikusan annotálja a pozitivitás, a negativitás és az objektivitás mértéke szerint [27] . Így a WordNet minden szinonimikus sorához három numerikus pontszám van hozzárendelve, ahol ezek a pontszámok rendre meghatározzák a szintkészlet objektív, pozitív vagy negatív komponensét [26] . Ezen becslések mindegyike 0-tól 1-ig terjedő tartományban vesz fel értékeket, és összességében 1-et (egyet) adnak, vagyis ezeknek a becsléseknek mindegyikének lehet nullától eltérő értéke [26] . Az eltérő értékű kifejezéseknek eltérő értékelési értékei is lehetnek [26] .

A SentiWordNet tanulási folyamata két lépésből állt: [28] .

1. A rendszer fejlesztésének első lépésében gyenge ( részleges tanári részvétel (félig felügyelt tanulás)) gépi tanulási módszereket alkalmaztak a kezdeti kitöltéshez. Kezdetben egy kis szinkészlet-készletet választottak ki, és manuálisan rendelték hozzá a numerikus pontszámokat. Ezután ennek a halmaznak a alapján több osztályozót képeztek ki, amelyek feladata a synset pozitivitásának, negativitásának és objektivitásának mértékének meghatározása. Ezt követően a kapott osztályozó modelleken keresztül numerikus becsléseket határoztunk meg minden WordNet synsetre. [28]
2. Az első lépésben kapott adatokra a random -walk step modellt alkalmaztuk , melynek eredményeként az egyes szintkészletek objektív, pozitív vagy negatív komponenseinek végső becslése született. Erről a szakaszról bővebben a következő munkában olvashat [29] .

A SentiWordNet a CC BY-SA 3.0 licenccel rendelkezik . Ez a licenc lehetővé teszi a SentiWordNet kereskedelmi és tudományos célú szabad használatát, feltéve, hogy az alkotók nevét feltüntetik. [27] Bárki, függetlenül, ingyenesen letöltheti a SentiWordNet fájlokat a hivatalos webhelyről. Letölthet egy kis Java osztályt is, amely bemutatja, hogyan kell dolgozni a SentiWordNettel [27] .

SenticNet

A SenticNet egy másik szemantikai tezaurusz az érzelmi fogalmak halmazainak kezelésére. A SenticNet egy projekt, amelyet a Massachusetts Institute of Technology Media Lab-ban indítottak 2010-ben [30] . Azóta a SenticNet projektet továbbfejlesztették, és intelligens alkalmazások tervezésére használják, amelyek a szöveg érzelmi összetevőinek elemzésére szolgálnak, és számos feladatot lefednek az adatbányászattól az ember-számítógép interakció megszervezéséig [30] . A SenticNet fő célja a természetes nyelv használatával továbbított fogalmi és érzelmi információk gépi felismerésének eljárásának egyszerűsítése [30] . Ha összehasonlítunk más lexikális tezauruszokat, mint a SentiWordNet és a WordNet-Affect a SenticNettel, akkor a fő különbség az lesz, hogy a SentiWordNet és a WordNet-Affect biztosítja a szavak és az érzelmi fogalmak összekapcsolását szintaktikai szinten, nem teszi lehetővé a szemantikai komponens azonosítását. például „a cél elérése”, „nem jó érzés”, „egy különleges alkalom megünneplése”, „elveszíted a türelmedet” vagy „legyél a hetedik mennyországban”, míg a SenticNet szemantikai szinten kapcsolja össze a fogalmakat [31] .

A legújabb verzió a SenticNet 2 [32] . Ellentétben a SenticNet 1-gyel [32] , amely egyszerűen csak érzelmi értéket rendel hozzá körülbelül 5700 fogalomhoz az OpenMind korpuszból, a SenticNet 2 szemantikát és „sentikát” (vagyis kognitív és „érzelmi” információkat) biztosít, amelyek több mint 14 000 fogalomhoz kapcsolódnak, és még többet tesz lehetővé. mély és sokrétű természetes nyelvű szövegelemzés a SenticNet 1-hez képest [32] . A SenticNet 2 a "sentic computing"-ra épül, egy olyan paradigmára, amely mesterséges intelligencia és szemantikus web technikákat használ a természetes nyelvi vélemények felismerésének, értelmezésének és feldolgozásának javítására [32] .

A "sentic computing" a hangulatelemzés interdiszciplináris megközelítése az "hatásszámítás " és a "józan ész számítástechnika" közötti metszéspontjában [33] . A „józan ész számítástechnika” kifejezés olyan kezdeményezések sorozatára utal, amelyek célja annak biztosítása, hogy a számítógépek mindenről a tudást olyan formában jelenítsék meg, ahogyan az ember megérti, és ezek alapján a számítógépek képesek legyenek logikus következtetéseket levonni [34] . Az ilyen interdiszciplináris megközelítés magában foglalja az információs és társadalomtudományi eszközök használatát a vélemények és érzések felismerésének, értelmezésének és feldolgozásának javítására [33] . A Sentic computing különösen magában foglalja a mesterséges intelligencia módszerek és a szemantikus web használatát – a tudás és annak kimenete ábrázolására; matematika - olyan problémák megoldására, mint a gráffeldolgozás és a méretcsökkentés ; nyelvészet a diszkurzív elemzéshez és pragmatikához; pszichológia - kognitív és érzelmi modellezéshez; szociológia, a társadalmi hálózatok és a társadalmi befolyás dinamikájának megértése; és végül az etika, hogy megértsük az elme természetét és érzelmi gépezeteket hozzanak létre. A "Sentic-calculations" lehetővé teszi a dokumentumok elemzését nemcsak egész oldalak és szövegek szintjén, hanem mondatok szintjén is, ami lehetővé teszi a szövegek részletesebb értékelését [33] .

A SenticNet adatok számítógépes programok általi feldolgozásra alkalmas, géppel olvasható formában történő bemutatása érdekében az adatokat XML szintaxis segítségével RDF tripletekre kódolják. Egy példa XML fájl a "love" koncepcióhoz a projekt honlapján a következő linken tekinthető meg [35] . Például, ha az alkalmazás során találkozik egy olyan fogalommal, mint a „születésnap”, akkor a SenticNet az „események” magas szintű fogalmának tulajdonítja, és szemantikailag kapcsolódó fogalmak halmazához társítja, például „édes”, „barátságos meglepetés” vagy „bohóc” (amely további/kontextuális információforrásként használható a keresési eredmények javítása érdekében) [36] . A SenticNet minden fogalmat egy "sentikus vektorral" is társít olyan mennyiségek numerikus értékeivel, mint a kellemesség (kellemesség), a figyelem (figyelem), az érzékenység (érzékenység) és az alkalmasság (képesség) [37] , valamint a a tonalitás értéke (olyan feladatoknál, mint a szöveg hangnemének elemzése), a fő és a kiegészítő hangulat, valamint az érzelmileg közel álló fogalmak halmaza, például „ünnep” vagy „különleges alkalom” (olyan feladatoknál, mint a a szöveg hangneme) [36] .

A SenticNet 2-t bárki szabadon letöltheti a hivatalos oldalról [38] .

Érzelmi osztályozási módszerek

Szabályokon és szótárakon alapuló módszerek

Ez a módszer az érzelmi szókincs [39] (lexikális érzés) keresésén alapul a szövegben korábban összeállított tonális szótárak és szabályok szerint, nyelvi elemzés segítségével. A talált érzelmi szókincs összessége szerint a szöveg a negatív és pozitív szókincs mennyiségét tartalmazó skálán értékelhető. Ez a módszer használhatja a reguláris kifejezésekbe behelyettesített szabálylistákat, valamint a mondaton belüli tonális szókincs összekapcsolására szolgáló speciális szabályokat. A szöveg elemzéséhez a következő algoritmust használhatja: először a szöveg minden szavához rendelje hozzá a hangulatértékét a szótárból (ha szerepel a szótárban), majd a hangulat összegzésével számítsa ki a teljes szöveg általános hangulatát. minden egyes mondat értéke [39] .

A szótárakon és szabályokon alapuló módszerek fő problémája a szótár összeállítási folyamatának fáradságossága. Annak érdekében, hogy olyan módszert kapjunk, amely nagy pontossággal osztályozza a dokumentumot, a szótár kifejezéseinek olyan súlyúnak kell lenniük, amely megfelel a dokumentum tárgykörének. Például a „hatalmas” szó a merevlemez-tárhely mennyiségével kapcsolatban pozitív tulajdonság, de negatív a mobiltelefon méretéhez képest. Ezért ez a módszer jelentős munkaerőköltséget igényel, mivel a rendszer megfelelő működéséhez számos szabályt kell összeállítani. Számos olyan megközelítés létezik, amely lehetővé teszi a szótárak összeállításának automatizálását egy adott témakörhöz (például az éttermek vagy a mobiltelefonok témaköréhez) [40] .

Felügyelt gépi tanulás

Napjainkban a kutatásban leggyakrabban használt módszerek a felügyelt gépi tanulási módszerek . Az ilyen módszerek lényege, hogy az első szakaszban egy gépi osztályozót (például Bayes -féle [41] ) betanítanak az előre megjelölt szövegekre, majd az így kapott modellt használják új dokumentumok elemzésekor. Leírunk egy rövid algoritmust [42] :

1. először egy dokumentumgyűjteményt gyűjtenek össze, amely alapján gépi osztályozót képeznek ki;
2. minden dokumentumot a jellemzők (szempontok) vektoraként bontanak fel, amelyek szerint tanulmányozni fogják;
3. minden dokumentumhoz jelzi a hangulat helyes típusát;
4. kiválasztunk egy osztályozási algoritmust és egy módszert az osztályozó betanításához;
5. az így kapott modell segítségével meghatározzuk az új gyűjtemény dokumentumainak hangulatát.

Felügyelet nélküli gépi tanulás

Ez a megközelítés azon az elgondoláson alapul, hogy a szövegben a legnagyobb súlyúak azok a kifejezések, amelyek ebben a szövegben gyakrabban fordulnak elő, ugyanakkor a teljes gyűjteményben csak kis számú szövegben szerepelnek. E kifejezések kiemelésével, majd hangszínük meghatározásával következtetést vonhatunk le a teljes szöveg hangnemére vonatkozóan [41] .

Gráfelméleti modelleken alapuló módszer

Ez a módszer azon a feltételezésen alapul, hogy a dokumentum szövegkorpuszában nem minden szó ekvivalens. Egyes szavak nagyobb súlyúak, és erősebben hatnak a szöveg hangnemére. Ezzel a módszerrel a hangulatelemzés több lépésre bontható:

1. grafikon készítése a vizsgált szöveg alapján;
2. csúcsainak rangsorolása;
3. talált szavak osztályozása;
4. eredmény számítás.

Az 1. és 2. pontról bővebben D. A. Ustalov "Kifejezések kinyerése orosz nyelvű szövegekből gráfmodellek segítségével" című munkájában olvashat [43] .

A szavak osztályozására hangszótárat használnak, amelyben minden szóhoz egy értékelés tartozik, például „pozitív”, „negatív” vagy „semleges”. A végeredmény megszerzéséhez két értékelés értékét kell kiszámítani: a szöveg pozitív és a negatív komponensét. A szöveg pozitív komponensének megtalálásához meg kell találni a szöveg összes pozitív kifejezésének érzelmeinek összegét, figyelembe véve azok súlyát. A szöveg negatív komponensének értéke hasonló módon található meg. A teljes szöveg hangulatának végső értékeléséhez ki kell számítania ezen összetevők arányát a következő képlet szerint: , ahol T  a hangulat végső értékelése, P  a szöveg pozitív összetevőjének értékelése és N  a szöveg negatív összetevője. Mensikov [44] cikkének megfelelően semlegesnek tekintjük azt a szöveget, amelyben T értéke közel van egyhez, ha valamivel meghaladja az 1-et - pozitív. Ha nagymértékben meghaladja az 1-et, akkor erősen pozitív. Ennek az ellenkezője is igaz a negatív érzelmű szövegekre [45] . Ezzel a módszerrel részletesebben Goldberg [46] és Ponomareva [47] munkái foglalkoznak .

A hangulatelemzés minőségének értékelése

A szöveges érzéselemző rendszer pontosságát és minőségét az értékeli, hogy az mennyire egyezik a vizsgált szöveg érzelmi értékelésével kapcsolatos véleményével. Ehhez olyan mérőszámok használhatók , mint a pontosság és a visszahívás [48] . Képlet a teljesség megtalálásához:

ahol a helyesen kivont vélemények  helyesen definiált vélemények,  az összes vélemény a (a rendszer által talált és nem talált) vélemények teljes száma [ 48] . A pontosságot a [48] képlettel számítjuk ki :

ahol a helyesen kivont vélemények  helyesen definiált vélemények, a rendszer által talált  összes vélemény a rendszer által talált vélemények teljes száma [48] . A pontosság tehát azt fejezi ki, hogy hány olyan tanulmányozott szöveget, mondatot vagy dokumentumot, amelyek értékelésénél a hangulatelemző rendszer véleménye egybeesett a szakértő véleményével. Ugyanakkor a tanulmány szerint a szakértők általában az esetek 79%-ában egyetértenek egy adott szöveg hangulatával [49] . Ezért egy program, amely 70%-os pontossággal érzékeli a szöveg hangszínét, majdnem olyan jól csinálja, mint az ember.

Lásd még

• természetes nyelvi feldolgozás
• Számítógépes nyelvészet
• Információ kinyerése
• Tartalom vizsgálat

Jegyzetek

1. ↑ Pang, Lee, 2008 , p. 6.
2. ↑ 12. Bing Liu, 2010 , p. 5.
3. ↑ Bing Liu, 2010 , p. 2.
4. ↑ 12 Pang , Lee, 2008 , p. 16-17.
5. ↑ Bollen, Mao, J. Zeng, 2010 .
6. ↑ Pang, Lee, 2008 .
7. ↑ 12 Turney , 2002 .
8. ↑ Pang, Lee, Vaithyanathan, 2002 .
9. ↑ Pang, Lee, 2005 .
10. ↑ 1 2 Snyder, Barzilay, 2007 .
11. ↑ Thelwall et al, 2010 .
12. ↑ 1 2 Su, Markert, 2008 , p. egy.
13. ↑ Pang, Lee, 2004 , p. 7.
14. ↑ Bing Liu, 2010 .
15. ↑ Turney, 2002 , p. 2-3.
16. ↑ Washington .
17. ↑ 1 2 3 Strapparava, 2004 , p. 1083.
18. ↑ Magnini et al, 2000 .
19. ↑ Synset (synset) - szinonimák halmaza.
20. ↑ Bobicev, 2010 , p. egy.
21. ↑ 1 2 3 4 WordNet-Affect .
22. ↑ Strapparava, 2004 , p. 1086.
23. ↑ 1 2 WordNet-Affect hu .
24. ↑ Strapparava, 2004 , p. 1084.
25. ↑ Bobicev, 2010 .
26. ↑ 1 2 3 4 5 6 Stefano Baccianella, 2010 , p. 2200.
27. ↑ 1 2 3 SentiWordNet .
28. ↑ 1 2 Stefano Baccianella, 2010 , p. 2201.
29. ↑ Stefano Baccianella, 2010 , p. 2201-2202.
30. ↑ 123 SenticNet . _ _
31. ↑ Erik Cambria, 2012 .
32. ↑ 1 2 3 4 Erik Cambria, 2012 , p. 202.
33. ↑ 1 2 3 Erik Cambria, 2012 , p. 203.
34. ↑ Erik Cambria 2009, 2009 , p. egy.
35. ↑ SenticNet api szerelem .
36. ↑ 1 2 Erik Cambria, 2012 , p. 205.
37. ↑ SenticNet api .
38. ↑ SenticNet fő .
39. ↑ 1 2 Pazelskaya, 2011 , p. 512.
40. ↑ Chetviorkin, 2012 .
41. ↑ 1 2 Klecovina, Kotelnikov, 2012 , p. 81.
42. ↑ Klecovina, Kotelnikov, 2012 .
43. ↑ Usztalov, 2012 .
44. ↑ Mensikov, 2012 , p. 1-3.
45. ↑ Mensikov, 2012 , p. 3-4.
46. ↑ Goldberg, Zhu, 2006 .
47. ↑ Ponomareva, Thelwall, 2012 .
48. ↑ 1 2 3 4 Nozomi Kobayashi, 2006 , p. négy.
49. ↑ Ogneva .

Irodalom

• Stefano Baccianella. Sentiwordnet 3.0: Egy továbbfejlesztett lexikai erőforrás érzelemelemzéshez és véleménybányászathoz  (angol)  // Proceedings of LREC: Conference. - 2010. - P. 2200-2204 .
• Victoria Bobicev, Victoria Maxim, Tatiana Prodan, Natalia Burciu, Victoria Angheluş. Érzelmek szavakban: többnyelvű WordNet-Affect fejlesztése  (angol)  : CICLing 2010, Iași , Románia. - 2010. - P. 1-10 .
• J. Bollen, H. Mao, X.-J. Zeng. A Twitter hangulat előrejelzi a tőzsdét  //  JTechnical Report arXiv:1010.3003, CORR : folyóirat. – 2010.
• Eric Cambria. SenticNet 2: Szemantikai és érzelmi forrás véleménybányászathoz és hangulatelemzéshez  (angol)  // Proceedings of AAAI FLAIRS : Conference. - 2012. - P. 202–207 .
• Erik Cambria, Amir Hussain, Catherine Havasi és Chris Eckl. Common Sense Computing: from the Society of Mind to Digital Intuition and Beyond  (angol)  // Biometrikus azonosítókezelés és multimodális kommunikáció Előadásjegyzetek a számítástechnikában: folyóirat. - 2009. - P. 252-259 .

• Andrew Goldberg, Xiaojin Zhu. Csillagok látása, amikor nincs sok csillag: Graph-based semi-supervised learning for sentiment kategorizálás  //  Proceedings of the First Workshop on Graph Based Methods for Natural Language Processing, Computer Sciences Department University of Wisconsin-Madison: Konferencia. - 2006. - P. 45-52 .
• Minqing Hu, Bing Liu. Bányászat és vásárlói vélemények összegzése  //  Proceedings of KDD: Conference. – 2004.
• Nozomi Kobayashi, Ryu Iida, Kentaro Inui, Yuji Matsumoto. Véleménybányászat a weben tantárgy-aspektus-értékelési kapcsolatok kivonásával  (angol)  // Nara Institute of Science and Technology, Takayama, Ikoma, Nara 630-0192, Japán: konferencia. - 2006. - P. 1-6 . Archiválva az eredetiből 2014. február 2-án.
• Bing Liu. Érzelemelemzés és szubjektivitás // Handbook of Natural Language Processing  (angol) / szerk. N. Indurkhya és F. J. Damerau. – 2010.
• Bernardo Magnini, Gabriela Cavaglia. Tárgymezőkódok integrálása a WordNetbe  (angolul)  : LREC . – 2000.
• Bo Pang, Lillian Lee, Shivakumar Vaithyanathan. Remek? Érzelmek osztályozása gépi tanulási technikákkal  (angol)  // EMNLP. - 2002. - P. 79-86 .
• Bo Pang, Lillian Lee. A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts  (angol)  // Proceedings of the Association for Computational Linguistics (ACL): folyóirat. - 2004. - P. 271-278 .
• Bo Pang, Lillian Lee. Seeing stars: exploiting class relations for sentiment kategorisation with rating scales  (angol)  // In Proceedings of the 43rd year meeting of the Association for Computational Linguistics (ACL) : folyóirat. — University of Michigan, USA, 2005. — Nem. június 25-30 . — P. 115–124 .
• Bo Pang, Lillian Lee. Véleménybányászat és hangulatelemzés  (angol)  // Az információkeresés alapjai és trendjei : Journal. - 2008. - Nem. 2 . - P. 1-135 .
• Natalia Ponomareva, Mike Thelwall. A szomszédok segítenek? Graph-based Algorithms for Cross-domain Sentiment Classification  //  A természetes nyelvi feldolgozás empirikus módszereiről és a számítástechnikai természetes nyelvtanulásról szóló 2012-es közös konferencia előadásai: konferencia. - 2012. - P. 655–665 .
• Benjamin Snyder, Regina Barzilay. Több szempontú rangsorolás a Good Grief Algorithm használatával  //  Proceedings of the Joint Human Language Technology/North American Chapter of the ACL Conference (HLT-NAACL) : konferencia. - 2007. - P. 300-307 .
• Carlo Strapparava, Alessandro Valitutti. WordNet-Affect: a WordNet affektív kiterjesztése  (angolul)  : LREC . - 2004. - 20. évf. 4 . — P. 1083–1086 . Az eredetiből archiválva: 2016. március 3.
• Fangzhong Su, Katja Markert. A szavaktól az érzékekig: esettanulmány a szubjektivitás felismerésében  //  Proceedings of Coling, Manchester, Egyesült Királyság. – 2008.
• Thelwall Mike, Buckley Kevan, Paltoglou Georgios, Cai Di, Kappas Arvid. Érzelmi erősség kimutatása rövid informális szövegben  (angol)  // Journal of the American Society for Information Science and Technology : folyóirat. - 2010. - P. 2544–2558 .
• Peter Turney. Felfelé vagy lefelé menő hüvelykujj? Szemantikus tájékozódás a recenziók felügyeletlen osztályozására  //  Proceedings of the Association for Computational Linguistics. - 2002. - P. 417-424 . - arXiv : cs.LG/0212032 . Archiválva az eredetiből 2013. február 3-án.
• David Yarowsky. A felügyelet nélküli szóérzék egyértelműsítése a felügyelt módszerekkel vetekszik  //  A Számítógépes Nyelvészeti Egyesület 33. éves közgyűlésének jegyzőkönyve. Cambridge: konferencia. - 1995. Archiválva : 2014. március 20.
• M.V. Klekovkina, E.V. Kotelnyikov. A szövegek tonalitás szerinti automatikus osztályozásának módszere az érzelmi szókincs szótára alapján  // RCDL-2012, Pereslavl-Zalessky, Oroszország: konferencia. — 2012. (Orosz)
• Ilja Mensikov. Orosz szöveg hangulatelemzése gráfmodellek segítségével  // Ural Federal University, Jekatyerinburg, Oroszország: konferencia. - 2012. Archiválva : 2013. december 15. (Orosz)
• Anna Pazelskaya, Alekszej Szolovjov. Módszer az érzelmek meghatározására orosz nyelvű szövegekben  // A számítógépes nyelvészeti és intellektuális technológiák nemzetközi konferenciája „Dialogue 2011” : konferencia. - Moszkva, 2011. - S. 510-522 .
• Dmitrij Usztalov. Kifejezések kinyerése orosz nyelvű szövegekből gráfmodellek segítségével  // Ural Federal University, Jekatyerinburg, Oroszország: konferencia. - 2012. Archiválva : 2013. szeptember 2. (Orosz)
• Ilia Chetviorkin, Natalia Loukachevitch. Orosz érzelemlexikon kinyerése termék metadomainhez  (angol)  // COLING : konferencia. — 2012.

Linkek

• Washington, Erin. Emberi  érzelemelemzés . Növekvő közösségi média (2013. november 14.). Letöltve: 2013. december 11.

• Ogneva, M. Hogyan használhatják a vállalatok a hangulatelemzést  üzletük javítására ? Mashable (2012. december 13.). Letöltve: 2013. december 11.

• SentiWordNet  (angol) .
• SenticNet  (angol) .

• SenticNet  példa .

•  SenticNet Névjegy .

•  SenticNet API .

• WordNet-Affect  (angol) .
• román és orosz WordNet-Affect . (Orosz)