Sentiment Analysis using Word-Graphs

Violos, John; Tserpes, Konstantinos; Psomakelis, Evangelos; Psychas, Konstantinos; Varvarigou, Theodora

doi:10.1145/2912845.2912863

Cited by 10 publications

(9 citation statements)

References 19 publications

(20 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In [51], authors use a co-occurrence graph that represents relationships among terms of a document; they use centrality measures for extraction of sentiment words that can express the sentiment of the document; then, they use these words as features for supervised learning algorithms and obtain the polarity of the new document. In [52], authors use graphs to represent the sequences of words in a document. They apply graph similarity metrics and classification algorithms such as SVM to predict sentiment.…”

Section: Related Workmentioning

confidence: 99%

“…The proposed method is inspired by other works that are related to the representation of text as graphs [52]. The combination of Knowledge Graphs and Deep Learning techniques represents a different approach from the traditional n-gram representation with the aim of better understanding of the sentiment, which is related to the representation of text as graphs.…”

Section: Sentiment Analysis Based On Kg: the Proposalmentioning

confidence: 99%

See 1 more Smart Citation

Sentiment Analysis in Twitter Based on Knowledge Graph and Deep Learning Classification

2021

View full text Add to dashboard Cite

The traditional way to address the problem of sentiment classification is based on machine learning techniques; however, these models are not able to grasp all the richness of the text that comes from different social media, personal web pages, blogs, etc., ignoring the semantic of the text. Knowledge graphs give a way to extract structured knowledge from images and texts in order to facilitate their semantic analysis. This work proposes a new hybrid approach for Sentiment Analysis based on Knowledge Graphs and Deep Learning techniques to identify the sentiment polarity (positive or negative) in short documents, such as posts on Twitter. In this proposal, tweets are represented as graphs; then, graph similarity metrics and a Deep Learning classification algorithm are applied to produce sentiment predictions. This approach facilitates the traceability and interpretability of the classification results, thanks to the integration of the Local Interpretable Model-agnostic Explanations (LIME) model at the end of the pipeline. LIME allows raising trust in predictive models, since the model is not a black box anymore. Uncovering the black box allows understanding and interpreting how the network could distinguish between sentiment polarities. Each phase of the proposed approach conformed by pre-processing, graph construction, dimensionality reduction, graph similarity, sentiment prediction, and interpretability steps is described. The proposal is compared with character n-gram embeddings-based Deep Learning models to perform Sentiment Analysis. Results show that the proposal is able to outperforms classical n-gram models, with a recall up to 89% and F1-score of 88%.

show abstract

Section: Related Workmentioning

confidence: 99%

Section: Sentiment Analysis Based On Kg: the Proposalmentioning

confidence: 99%

Sentiment Analysis in Twitter Based on Knowledge Graph and Deep Learning Classification

2021

View full text Add to dashboard Cite

show abstract

“…In the graph, nodes represent features and edges represent the relationship between different nodes. Although there are various graphbased text representation models, such as word graphs and ngram-graphs [18], to better capture the inherent characteristics of text in social media, this paper uses word co-occurrence graph to represent the relationship between words in short text content.…”

Section: Sentiment Analysismentioning

confidence: 99%

Multiplex network embedding for implicit sentiment analysis

Zhao

Liu

Zhang

2021

Complex Intell. Syst.

View full text Add to dashboard Cite

As one of the hot research directions in natural language processing, sentiment analysis has received continuous and extensive attention. Different from explicit sentiment words indicating sentiment polarity, implicit sentiment analysis is a more challenging problem due to the lack of sentiment words, which makes it inadequate to use traditional sentiment analysis method to judge the polarity of implicit sentiment. This paper takes sentiment analysis as a special sign link prediction problem, which is different from traditional text-based method. In particular, by performing the word graph-based text level information embedding and heterogeneous social network information embedding (i.e. user social relationship network embedding, and user-entity sentiment network embedding), the proposed scheme learns the highly nonlinear representations of network nodes, explores early fusion method to combine the strength of these two types of embedding modeling, optimizes all parameters simultaneously and creates enhanced context representations, leading to better capture of implicit sentiment polarity. The proposed method has been examined on real-world dataset, for implicit sentiment link prediction task. The experimental results demonstrate that the proposed method outperforms state-of-the-art schemes, including LINE, node2vec, and SDNE, by 20.2%, 19.8%, and 14.0%, respectively, on accuracy, and achieves at least 14% gains on AUROC. For sentiment analysis accuracy, the proposed method achieves AUROC of 80.6% and accuracy of 78.3%, which is at least 31% better than other models. This work can provide useful guidance on the implicit sentiment analysis.

show abstract

“…Αποτελεί ενδεικτικό γεγονός ότι τα Bluefin Labs, μια εταιρία για ανάλυση δεδομένων από την τηλεόραση, η οποία ειδικεύεται στην εξόρυξη και την ανάλυση συζητήσεων από κοινωνικά δίκτυα, αποκτήθηκε από την Twitter για σχεδόν 100 εκατομμύρια δολάρια [6]. Η υλοποίηση της υπηρεσίας ανάλυσης συναισθήματος βασίζεται στην μέθοδο αναπαράστασης κειμένου με χρήση γράφων ν-γραμμάτων [52], [53], [54], [55], [56], [57], [58], [59] , [60] [31] ορίζουμε:…”

Section: εισαγωγήunclassified

Συλλογή, Ανάλυση Και Επεξεργασία Δεδομένων Από Κοινωνικά Δίκτυα Με Σκοπό Την Ανάλυση Συναισθήματος Και Την Ανίχνευση Γεγονότων

Palaiokrassas¹,

Παλαιοκρασσάς²

View full text Add to dashboard Cite

Η παρούσα διδακτορική διατριβή μελετά και προτείνει ρεαλιστικές λύσεις σε σημαντικά θέματα που σχετίζονται με την ανάλυση δεδομένων από κοινωνικά δίκτυα. Στα πλαίσια της έρευνας μελετάται επίσης η εφαρμογή σε ένα ετερογενές πολυμεσικό περιβάλλον. Χρησιμοποιούνται πολλές τεχνολογίες όπως η μετάδοση υψηλήςανάλυσης πολυμεσικού περιεχομένου, μεθοδολογίες για επίβλεψη και ανάλυση τηςδραστηριότητας από κοινωνικά δίκτυα για την επισήμανση ταινιών σε πραγματικόχρόνο χρησιμοποιώντας ανθρωποκεντρική σημασιολογική εξαγωγή βασιζόμενη σε MPEG-7 προφίλ. Επιτυγχάνεται βελτίωση της εκπαιδευτικής διαδικασίας μέσω της παρουσίασης εκπαιδευτικών ταινιών σε παραδοσιακά πολιτιστικά κέντρα και μουσεία.Το παρουσιαζόμενο σύστημα μπορεί να χρησιμοποιηθεί σε πολλές εφαρμογές, όπου το κοινωνικό περιεχόμενο χρειάζεται να αναθεωρηθεί από πολλά άτομα που μπορεί να είναι γεωγραφικά απομακρυσμένα και να τροποποιηθεί ύστερα από ομάδα ειδικών σύμφωνα με τα ληφθέντα σχόλια. Αξιοποιήθηκε με επιτυχία στα πλαίσια του ευρωπαϊκού ερευνητικού έργου EXPERIMEDIA σε πολιτισμικά και εκπαιδευτικά κέντρα όπως στο Ίδρυμα Μείζονος Ελληνισμού κ.α. Παράλληλα, αναπτύχθηκε μια υπηρεσία εντοπισμού γεγονότων σε δεδομένα από κοινωνικά δίκτυα με στόχο να αναλύσει δεδομένα, προκειμένου να τα ομαδοποιήσεισε συλλογές βάσει του κειμένου και των διαθέσιμων μεταδεδομένων. Βασίζεται στον distance-dependent Chinese Restaurant Process αλγόριθμο, μια προσέγγιση ομαδοποίησης που ομοιάζει με τον αλγόριθμο της διαδικασίας Dirichlet, ενώ εξετάστηκε μια σειρά μεθόδων προεπεξεργασίας των δεδομένων και αξιολόγησης. Στα πλαίσια της διατριβής εξετάστηκε διεξοδικά επίσης το πρόβλημα της ανάλυσηςσυναισθήματος σε δεδομένα από κοινωνικά δίκτυα, όπου ανέπτυχθηκε μια υπηρεσία ανάλυσης συναισθήματος αξιοποιώντας τον αλγόριθμο γράφων ν-γραμμάτων προκειμένου να εξαχθούν μοτίβα και να ταξινομηθούν τα δεδομένα σε μια από τις διαθέσιμες κατηγορίες. Οι δύο υπηρεσίες αξιολογήθηκαν χρησιμοποιώντας πολλαπλά σύνολα δεδομένων και μετρικών και αξιοποιήθηκαν στα πλαίσια του ευρωπαϊκού ερευνητικού έργου SUPER ως βασικό τμήμα μιας ενιαίας πλατφόρμας για την αξιοποίηση των κοινωνικών δικτύων από τις υπηρεσίες πολιτικής προστασίας κατά την διάρκεια καταστάσεων έκτακτης ανάγκης.

show abstract

Sentiment Analysis using Word-Graphs

Cited by 10 publications

References 19 publications

Sentiment Analysis in Twitter Based on Knowledge Graph and Deep Learning Classification

Sentiment Analysis in Twitter Based on Knowledge Graph and Deep Learning Classification

Multiplex network embedding for implicit sentiment analysis

Συλλογή, Ανάλυση Και Επεξεργασία Δεδομένων Από Κοινωνικά Δίκτυα Με Σκοπό Την Ανάλυση Συναισθήματος Και Την Ανίχνευση Γεγονότων

Contact Info

Product

Resources

About