Classification of sentiment reviews using n-gram machine learning approach

Tripathy, Abinash; Agrawal, Ankit; Rath, Santanu Kumar

doi:10.1016/j.eswa.2016.03.028

Cited by 495 publications

(243 citation statements)

References 8 publications

Supporting

Mentioning

219

Contrasting

Unclassified

Order By: Relevance

“…The results can motivate capital market participants to use this method, along with others such as machine learning, to predict the behavior of variables in the market (Cambria, 2016;Tripathy et al, 2016).…”

Section: Regression Analysismentioning

confidence: 99%

See 1 more Smart Citation

Pessimismo E Incerteza Das Notícias E O Comportamento Dos Investidores No Brasil

Galdi

Gonçalves

2018

Rev. adm. empres.

View full text Add to dashboard Cite

How investors impound qualitative information released by the media into prices, especially in a less efficient market such as Brazil, helps understand the types of news most sensitive to investors. This study investigates the relationship between the content of the daily editions of specialized financial media in Brazil, captured by a metric of textual tone, and returns and volatility of market indexes. Our database contains 1,237 daily editions of the newspaper "Valor Econômico," between 01/02/2012 and 12/30/2016. The results indicate that the market put more weight on the words "uncertainty" and "negative" in the news. "Uncertainty" has negative relation to current market-returns and weak evidence that news with "negative" terms have positive associations with current market-volatility. The evidences obtained point to the existence of informative content in the news pub lished by specialized media in Brazil, especially with the words "negative" and "uncertainty." KEYWORDS | Sentiment analysis, textual analysis, financial media, Brazil, efficient markets. RESUMO Investidores formam suas expectativas sobre os fluxos de caixa futuros das empresas considerando as informa ções quantitativas e qualitativas a que têm acesso. O entendimento de como os preços de mercado incorporam as informações qualitativas divulgadas pela mídia FERNANDO CAIO GALDI

show abstract

Section: Regression Analysismentioning

confidence: 99%

“…Moreover, combining sentiment analysis with machine learning algorithms can help the investor and/ or regulators predict market behavior (Cambria, 2016;Tripathy, Agrawal, & Rath, 2016).…”

Section: Introductionmentioning

confidence: 99%

Pessimismo E Incerteza Das Notícias E O Comportamento Dos Investidores No Brasil

Galdi

Gonçalves

2018

Rev. adm. empres.

View full text Add to dashboard Cite

show abstract

“…Tripathy vd. n-gram özellik çıkarma yöntemini dört farklı sınıflama algoritması kullanarak denemiş ve %95 başarı oranı elde etmişlerdir [9]. Rohini vd.…”

Section: Gi̇ri̇ş (Introduction)unclassified

Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması

Kaynar¹,

Aydın²,

Görmez³

2017

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Özet-Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır. Ancak her geçen gün artan veri sayısı ve boyutu, bu verilerden manuel olarak anlamlı bilgiler çıkartılmasını çok zahmetli ve pahalı bir iş haline getirmektedir. Otomatik olarak verinin duygu içerip içermediğinin saptanması ve bu duygunun olumlu, olumsuz veya tarafsız olma durumunun belirlenmesi duygu analizi yardımıyla gerçekleştirilmektedir. Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır. Boyut problemi olarak adlandırılan bu durum hesaplama zamanın artmasına ve sınıflama hatalarına yol açmaktadır. Bu çalışmada ise bahsedilen problemlere çözüm olarak önerilen derin öğrenme tabanlı oto kodlayıcı (Autoencoder) modeli ile gürültü giderici oto kodlayıcı (Denoising Autoencoder) modeli boyut düşürme tekniği olarak kullanılmış ve literatürde yaygın olarak kullanılan diğer boyut düşürme teknikleri ile kıyaslanmıştır. Elde edilen tüm veri setleri için sınıflama algoritması olarak Destek Vektör Makinaları ve Yapay Sinir Ağları kullanan farklı modeller geliştirilmiştir. Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştir.Anahtar Kelimeler-Boyut düşürme, Oto kodlayıcı, Yapay sinir ağları, Destek vektör makineleri, Duygu analizi, Derin öğrenme Comparison of Feature Reduction Methods with Deep Autoencoder Machine Learning in Sentiment AnalysisAbstract-Because the internet is extensively used by people from all strata with today's technology, people now share their opinions, ideas and feelings through a variety of media such as social networking sites, forums and blogs. However, the number and size of data that is increasing day by day makes it very laborious and expensive to extract meaningful information manually from these data. Determination of whether data includes emotions or not automatically and determination of these feelings being positive, negative and neutral are performed by sentiment analysis. In sentiment analysis, the complexity of the speech language, the excessive number and length of texts being evaluated causes a large number of unnecessary and noise-containing feature vectors. This situation, which is called dimensionality problem, leads to increase of computation time and classification errors. In this study, a deep autoencoder model and a denoising autoencoder model are proposed and used as dimension reduction methods to overcome mentioned problems and compared with other feature reduction methods commonly used in literature. For all data sets obtained, different models have been developed using Support Vector Machines and Artificial Neural Networks ...

show abstract

“…Research conducted by Tripathy [11] showed that the combina-tion of unigram, bigram and trigram will achieve better accuracy in the user sentiment classification. The combination between LSA and n-gram machines also shows better accuracy [6].…”

Section: N-grammentioning

confidence: 99%