Blinov: Distributed Representations of Words for Aspect-Based Sentiment Analysis at SemEval 2014

Blinov, Pavel; Kotelnikov, Eugeny

doi:10.3115/v1/s14-2020

Cited by 9 publications

(4 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Literatür incelendiğinde, hedef tabanlı duygu analizine ilişkin çalışmalara 2014 yılı itibariyle rastlanmaktadır. Bu alandaki çalışmalardan birinde Blinov ve Kotelnikov [31], dizüstü bilgisayar ile restoranlara ilişkin İngilizce yorumlardan oluşturulan iki farklı veri seti üzerinde çalışmışlardır. Semeval-2014 yarışmasının verilerini kullandıkları çalışmalarında, hedef terim çıkarımı ve hedef terim duygu polaritesine ilişkin yöntem önerisinde bulunmuşlardır.…”

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

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

show abstract

“…Furthermore, in addition to the above vector features, we employ the POS-tags information as an extra feature. This is mainly because "nouns" are strong candidates to be aspects (Blinov and Kotelnikov, 2014;Pontiki et al, 2014). However, this feature is more effective for the single term aspects as we will discuss in Section 3.…”

Section: Aspect Term Extractionmentioning

confidence: 99%

“…The performance is significantly dropped, as shown in the third row of the table. Although the nouns can be strong candidates for aspects (Blinov and Kotelnikov, 2014), the majority of aspects, like multi-word aspects cannot be captured by only considering their POS-tags.…”

Section: Aspect Term Extractionmentioning

confidence: 99%

A Vector Space Approach for Aspect Based Sentiment Analysis

Alghunaim¹,

Mohtarami

Cyphers

et al. 2015

Proceedings of the 1st Workshop on Vector Space Modeling for Natural Language Processing

View full text Add to dashboard Cite

Vector representations for language have been shown to be useful in a number of Natural Language Processing (NLP) tasks. In this thesis, we aim to investigate the effectiveness of word vector representations for the research problem of Aspect-Based Sentiment Analysis (ABSA), which attempts to capture both semantic and sentiment information encoded in user generated content such as product reviews. In particular, we target three ABSA sub-tasks: aspect term extraction, aspect category detection, and aspect sentiment prediction. We investigate the effectiveness of vector representations over different text data, and evaluate the quality of domain-dependent vectors. We utilize vector representations to compute various vector-based features and conduct extensive experiments to demonstrate their effectiveness. Using simple vector-based features, we achieve F1 scores of 79.9% for aspect term extraction, 86.7% for category detection, and 72.3% for aspect sentiment prediction.

show abstract

“…Otro trabajo que es importante destacar para este Foro de Competición es el desarrollado por Pavel Blinov y Eugeny Kotelnikov [3], que proponen un método para el Análisis de Sentimientos basado en Aspectos para un conjunto de opiniones sobre laptops y restaurantes. El método propuesto para la extracción de aspectos consiste en dos pasos: la selección de candidatos y la extracción de términos.…”

Section: Introductionunclassified