Sentiment classification using phrase patterns

Fei, Zhongchao; Liu, Jian; Wu, Gengfeng

doi:10.1109/cit.2004.1357349

Cited by 13 publications

(3 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Opinion mining evaluates things of interest subjectively. The term opinion mining has been employed by the researchers under various synonymous terms such as sentiment analysis [27], sentiment classification [28], affect analysis [29], and opinion analysis [30]. Opinion extraction, emotion mining, review mining, and many more are similar phrases [26].…”

Section: Previous Studiesmentioning

confidence: 99%

Opinion Mining in Arabic Extremism Texts: A Systematic Literature Review

Al-Shukrawi,

Jamil,

Alzuabidi

et al. 2023

AKJS

View full text Add to dashboard Cite

In this paper, a systematic literature review was provided that investigated the present evidence regarding extremist words in Arabic opinion mining methods. This study aimed to perform a Systematic Literature Review (SLR) in order to detect, evaluate, and synthesize the existing evidence regarding opinion mining techniques for extremist Arabic text. From the SLR, it is evident that opinion-mining techniques have several opportunities for detecting extremism in the Arabic text. Over the past few years, multimedia sentiment analysis has gained traction as visual content is becoming more incorporated into social media networking. Opinion mining is the process of identifying, extracting, and categorizing views about anything. It is a sort of Natural Language Processing (NLP) used to track public sentiment about a certain law, policy, or marketing, for example. It entails the creation of a method for collecting and analyzing comments and opinions concerning legislation, regulations, policies, and so on that are posted on social media. The process of information extraction is critical since it is both a beneficial tool and a difficult undertaking. In this article, we have examined the recent and advanced methodologies to extract sentiment from a web-wide item, opinion-mining methods must be automated. Also, we have analyzed the novel Artificial Intelligence and lexical-based algorithms for sentiment analysis. These methodologies find better applications in the customer feedback analysis of any organization.

show abstract

Section: Previous Studiesmentioning

confidence: 99%

Opinion Mining in Arabic Extremism Texts: A Systematic Literature Review

Al-Shukrawi,

Jamil,

Alzuabidi

et al. 2023

AKJS

View full text Add to dashboard Cite

show abstract

“…Otro ejemplo es la aplicación de reglas de producción para clasificar el sentimiento en sentencias teniendo en cuenta ciertas regularidades presentes en las mismas. Este es el caso de (Hemalatha, Varma, & Govardhan, 2013) quienes consideran las relaciones lingüísticas expresadas en las oraciones según los conectores empleados (conectores de unión, de contraste, entre otros), o el trabajo de (Zhongchao Fei, Jian Liu, & Gengfeng Wu, 2004) quienes definen patrones comunes encontrados en sentencias al tener en cuenta la función de las palabras en el texto. Luego, en ambos casos se aplican técnicas de aprendizaje no supervisado a fin de analizar a qué tipo de clústeres de sentimiento se asocian las sentencias.…”

Section: Enfoques Basados En Aprendizaje De Máquinaunclassified

Reconocimiento de conflictos en diálogos colaborativos aplicando análisis de sentimiento

Ezequiel¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

El Aprendizaje Colaborativo Soportado por Computadora (ACSC) es una situación de aprendizaje donde dos o más estudiantes trabajan juntos con el objetivo de aprender. La comunicación mantenida por los grupos para llevar a cabo su trabajo puede ser sincrónica o asincrónica. La comunicación de tipo sincrónica demanda que los miembros concuerden en un horario para poder interactuar. Un ejemplo de aplicación que puede soportar este tipo de comunicación es el chat. En la comunicación asincrónica no es necesario que los miembros del grupo concuerden en un horario para poder interactuar. En ambos tipos de comunicaciones, los miembros pueden participar en el dialogo colaborativo estando en distintos lugares. Un ejemplo de aplicación que soporta la comunicación asíncrona es el foro. La interacción entre los estudiantes influye positivamente en los procesos cognitivos de los participantes cuando la colaboración es exitosa. Muchos factores pueden incidir en el éxito de un proceso de aprendizaje colaborativo. Uno de estos factores es la estabilidad emocional del grupo. Sin embargo, esta estabilidad emocional puede verse afectada por la ocurrencia de una diversidad de eventos, entre ellos, los conflictos. Los conflictos son desacuerdos entre dos o más miembros de un grupo causado por disposiciones individuales y la diversidad de objetivos, puntos de vista y experiencias previas. Cuando el conflicto se manifiesta en el seno del grupo hay una tendencia a que el sistema cognitivo se vea resentido. Esto ocurre debido a un incremento en la carga cognitiva que genera el conflicto. A su vez, este fenómeno conduce a que la capacidad de procesamiento del grupo se bloquee. Si bien existe una connotación negativa en los conflictos, es importante reconocer que existen distintos tipos de ellos. Se pueden identificar los conflictos cognitivos o de tarea, los conflictos de proceso y los conflictos de relaciones. De estos tipos de conflictos, se reconoce que los conflictos cognitivos pueden contribuir positivamente en el aprendizaje. Sin embargo, los otros dos tipos de conflictos también influyen en el rendimiento del grupo, tal es el caso de los conflictos de relaciones que impactan negativamente. A pesar de la negatividad de ciertos tipos de conflictos, la ocurrencia de conflictos abre la oportunidad a que los estudiantes aprendan a trabajar en grupo, una competencia demandada por el mercado laboral actual. Sin embargo, para que esto ocurra el docente debe guiar a los estudiantes hacia la resolución de los conflictos cuando aquellos no puedan hacerlo por sí mismos. Esto significa que el docente necesita poder responder en tiempo real a las situaciones de conflicto para ofrecer recomendaciones en cuanto al intercambio de roles, la compartición del liderazgo, realizar cambios en la carga de trabajo, promover la reflexión, entre otros. Para lograr esta función, el docente necesita realizar un seguimiento de las situaciones de conflicto. Sin embargo, realizar este seguimiento es una tarea que insume tiempo y mucho trabajo. Lo analizado anteriormente pone de manifiesto la necesidad de proveer a los entornos de ACSC, que emplean herramientas de comunicación síncronas basadas en texto para promover los procesos de aprendizaje en grupo, la funcionalidad de reconocimiento de conflictos para facilitar el monitoreo por parte del docente y propiciar su oportuna intervención. En esta tesis se planteó la hipótesis de que en las situaciones de ACSC síncronas basadas en texto, los mensajes de texto intercambiados entre los miembros del grupo pueden tener la suficiente información para detectar conflictos. Particularmente, se idearon dos técnicas que permiten reconocer conflictos teniendo en cuenta el intercambio de información socio-afectiva. La primera técnica implementada modela un diálogo colaborativo como un grafo dirigido donde los nodos representan a los estudiantes y las aristas indican la transferencia de sentimientos negativos durante las interacciones. Luego, aplicando conceptos de la teoría de grafos se emplea una matriz de commute time escalada para detectar miembros del grupo en conflicto. La segunda técnica se basa en la aplicación de aprendizaje máquina supervisado. Particularmente, se realiza la aplicación de algoritmos de aprendizaje ensamblados, formalizando el proceso de extracción de características y definiendo el concepto de valencia de interacciones atómicas como principal característica empleada para entrenar el clasificador supervisado. Para evaluar las técnicas propuestas se llevó a cabo una validación experimental que demandó la recolección de interacciones de estudiantes en situaciones de ACSC. Estas interacciones fueron analizadas aplicando una técnica de análisis de contenido y sirvieron de base para el posterior entrenamiento y validación de los clasificadores. Los resultados de las técnicas propuestas resultaron satisfactorios, obteniéndose un valor de F1 de 0.72 para la primera técnica, y un F1 de 0.81 para la segunda. Estos resultados muestran que es posible reconocer conflictos teniendo en cuenta el intercambio de emociones negativas. Esta tesis proporciona importantes contribuciones al campo del ACSC al permitir reconocer conflictos mediante la aplicación de técnicas de Aprendizaje Máquina (AM), Análisis de Redes Sociales (ARS) y Análisis de Sentimiento (AS).

show abstract

“…Moreover, these attributes contain phrase patterns, which make use of POS tag n-gram patterns (Fei et al, 2010;Yi et al, 2003). They illustrated that phrase patterns like 'n+aj' (noun followed by positive adjective) usually denote positive sentiment orientation, whereas 'n+dj' (noun followed by negative adjective) often expresses a negative sentiment (Fei et al, 2004). In 2004, Wiebe (Bernabé-Moreno et al, 2015) applied collections, where certain parts of fixed n-grams were exchanged with general word tags.…”

Section: Explicit Featuresmentioning

confidence: 99%

Overview and Future Opportunities of Sentiment Analysis Approaches for Big Data

Sharef¹,

Zin²,

Nadali³

2016

Journal of Computer Science

View full text Add to dashboard Cite

Abstract:The ability to exploit public sentiment in social media is increasingly considered as an important tool for market understanding, customer segmentation and stock price prediction for strategic marketing planning and manoeuvring. This evolution of technology adoption is energised by the healthy growth in big data framework, which caused applications based on Sentiment Analysis (SA) in big data to become common for businesses. However, scarce works have studied the gaps of SA application in big data. The contribution of this paper is two-fold: (i) this study reviews the state of the art of SA approaches. including sentiment polarity detection, SA features (explicit and implicit), sentiment classification techniques and applications of SA and (ii) this study reviews the suitability of SA approaches for application in the big data frameworks, as well as highlights the gaps and suggests future works that should be explored. SA studies are predicted to be expanded into approaches that utilise scalability, possess high adaptability for source variation, velocity and veracity to maximise value mining for the benefit of the users.

show abstract

Sentiment classification using phrase patterns

Cited by 13 publications

References 5 publications

Opinion Mining in Arabic Extremism Texts: A Systematic Literature Review

Opinion Mining in Arabic Extremism Texts: A Systematic Literature Review

Reconocimiento de conflictos en diálogos colaborativos aplicando análisis de sentimiento

Overview and Future Opportunities of Sentiment Analysis Approaches for Big Data

Contact Info

Product

Resources

About