Deep learning for Aspect-based Sentiment Analysis

Wang, Jie; Xu, Bingxin; Zu, Yujie

doi:10.1109/mlise54096.2021.00056

Cited by 26 publications

(17 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This dataset of about 50,000 Tweet IDs is expected to help advance interdisciplinary research in different fields such as Big Data, Data Science, Data Mining, Natural Language Processing, Healthcare, and their related disciplines. A few potential applications and usecase scenarios that may be investigated using this dataset include performing sentiment analysis [109], performing aspect-based sentiment analysis [110], predicting popular tweets [111], detecting sarcasm [112], developing topic modeling [113], tracking retweeting patterns [114], ranking tweets [115], performing content value analysis [116], tracking credibility of information [117], detecting conspiracy theories [118], predicting emoji usage patterns [119], studying the relevance of information [120], detecting satire [121], detecting deception [122], extracting categorical topics and emerging issues [123], characterizing Twitter users [124], and detection of Twitter user demographics [125] in the context of Twitter chatter related to online learning during the current Omicron wave of COVID-19.…”

Section: Potential Applications: Brief Overviewmentioning

confidence: 99%

A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave

Thakur¹

2022

Preprint

View full text Add to dashboard Cite

The COVID-19 Omicron variant, reported to be the most immune evasive variant of COVID-19, is resulting in a surge of COVID-19 cases globally. This has caused schools, colleges, and universities in different parts of the world to transition to online learning. As a result, social media platforms such as Twitter are seeing an increase in conversations related to online learning. Mining such conversations, such as Tweets, to develop a dataset can serve as a data resource for interdisciplinary research related to the analysis of interest, views, opinions, perspectives, attitudes, and feedback towards online learning during the current surge of COVID-19 cases caused by the Omicron variant. Therefore this work presents a large-scale public Twitter dataset of conversations about online learning since the first detected case of the COVID-19 Omicron variant in November 2021. The dataset is compliant with the privacy policy, developer agreement, and guidelines for content redistribution of Twitter, as well as with the FAIR principles (Findability, Accessibility, Interoperability, and Reusability) principles for scientific data management. The paper also briefly outlines some potential applications in the fields of Big Data, Data Mining, Natural Language Processing, and their related disciplines, with a specific focus on online learning during this Omicron wave that may be studied, explored, and investigated by using this dataset.

show abstract

Section: Potential Applications: Brief Overviewmentioning

confidence: 99%

A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave

Thakur¹

2022

Preprint

View full text Add to dashboard Cite

show abstract

“…This dataset of more than 50,000 Tweet IDs is expected to help advance interdisciplinary research in different fields such as Big Data, Data Science, Data Mining, Natural Language Processing, Healthcare, and their related disciplines. A few potential applications and use-case scenarios that may be investigated using this dataset include performing sentiment analysis [114], performing aspect-based sentiment analysis [115], predicting popular tweets [116], detecting sarcasm [117], developing topic modeling [118], tracking retweeting patterns [119], ranking tweets [120], performing content value analysis [121], tracking credibility of information [122], detecting conspiracy theories [123], predicting emoji usage patterns [124], studying the relevance of information [125], detecting satire [126], detecting deception [127], extracting categorical topics and emerging issues [128], characterizing Twitter users [129], and detection of Twitter user demographics [130] in the context of Twitter chatter related to online learning during the current Omicron wave of COVID-19.…”

Section: Potential Applications: Brief Overviewmentioning

confidence: 99%

A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave

Thakur

2022

SSRN Journal

View full text Add to dashboard Cite

“…Hedef tabanlı duygu analizine temel teşkil eden çalışmalar, hedef derecelemesi [25] ve hedef tarama [26] konularıyla başlamıştır. Hedef tabanlı duygu analizine yapılan devam çalışmalarının; elektronik ürünlere [27], filmlere [28], otellere [14], [29] ve restoranlara [30] yönelik yorumları kapsayacak şekilde geliştirildiği görülmektedir. Literatür incelendiğinde, hedef tabanlı duygu analizine ilişkin çalışmalara 2014 yılı itibariyle rastlanmaktadır.…”

Section: Li̇teratür Taramasi (Literature Review)unclassified

Kelime Temsil Yöntemlerinin Hedef Tabanlı Duygu Analizine Etkisi

Polatgil

Tuna

Kaynar

2022

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Klasik duygu analizi yöntemlerinden farklı olarak hedef tabanlı duygu analizi (HTDA), birden fazla kategorinin olduğu karmaşık yapıdaki çevrimiçi tüketici geribildirimlerini değerlendirmede daha başarılı bir performans ortaya koyabilmektedir. Nitekim bir platformda yer alan tüketici geri bildirimleri bir ürüne ilişkin birden farklı hedefe atfedilebilmektedir ve standart duygu analizleri bu geribildirimleri analiz etmede yetersiz kalmaktadır. Literatürdeki gelişmeler gözden geçirildiğinde, HDTA çalışmalarının, duygu analizine odaklanan diğer çalışmalar içinde oldukça popüler olduğu anlaşılmaktadır. SemEval ABSA-2016 yarışmasında, HTDA için 8 farklı dilde veri setleri yayınlanmış ve ekipler duygu analizi için yarışmışlardır. Yarışmada hedef terim, kategori ve duygu sınıfı tespit etmek gibi farklı alt görevler bulunmaktadır. Bu alt görevlerin içindekilerden biri, hedef terimin tespit edilmesidir. Türkçe dili için HTDA çalışmaları oldukça sınırlıdır. Farklı diller ve farklı kelime temsil yöntemleri kullanan çalışmalar vardır. SemEval Absa 2016 yarışması Türkçe veri seti için kelime temsil yöntemlerinin etkisini inceleyen çalışma bulunmamaktadır. Bu çalışma, müşteri yorumlarındaki hedef terimlerin tespitinde farklı kelime temsil yöntemlerinin başarısının incelenmesi amacıyla gerçekleştirilmiştir. Word2Vec, Glove ve Fasttext kelime temsil yöntemleri analiz kapsamında incelenmiş ve hedef terimi en başarılı tespit edebilen yöntemin Fasttext kelime temsil yöntemi olduğu görülmüştür. Çalışmada ayrıca F-1 sınıflandırma ölçütü açısından %77 başarı oranı ile Türkçe veri seti için literatürdeki en yüksek sınıflandırma başarısı elde edilmiştir.

show abstract

Deep learning for Aspect-based Sentiment Analysis

Cited by 26 publications

References 1 publication

A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave

A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave

A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave

Kelime Temsil Yöntemlerinin Hedef Tabanlı Duygu Analizine Etkisi

Contact Info

Product

Resources

About