Linguistically motivated Language Resources for Sentiment Analysis

Giouli, Voula; Fotopoulou, Aggeliki

doi:10.3115/v1/w14-5806

Cited by 2 publications

(3 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Finally, in [41], a framework for the lexicon-grammar of verb and noun predicates denoting emotion is presented, followed by its transformation into grammatical rules. The authors discuss the lack of significant resources and NLP preprocessing tools and, towards this direction, propose the enriching, re-purposing and re-using of already available Language Resources (LR) for the identification of emotion expressions in texts.…”

Section: Sentiment Analysis For Greek Textsmentioning

confidence: 99%

A Novel, Gradient Boosting Framework for Sentiment Analysis in Languages where NLP Resources Are Not Plentiful: A Case Study for Modern Greek

Athanasiou

Μaragoudakis

2017

Algorithms

View full text Add to dashboard Cite

Sentiment analysis has played a primary role in text classification. It is an undoubted fact that some years ago, textual information was spreading in manageable rates; however, nowadays, such information has overcome even the most ambiguous expectations and constantly grows within seconds. It is therefore quite complex to cope with the vast amount of textual data particularly if we also take the incremental production speed into account. Social media, e-commerce, news articles, comments and opinions are broadcasted on a daily basis. A rational solution, in order to handle the abundance of data, would be to build automated information processing systems, for analyzing and extracting meaningful patterns from text. The present paper focuses on sentiment analysis applied in Greek texts. Thus far, there is no wide availability of natural language processing tools for Modern Greek. Hence, a thorough analysis of Greek, from the lexical to the syntactical level, is difficult to perform. This paper attempts a different approach, based on the proven capabilities of gradient boosting, a well-known technique for dealing with high-dimensional data. The main rationale is that since English has dominated the area of preprocessing tools and there are also quite reliable translation services, we could exploit them to transform Greek tokens into English, thus assuring the precision of the translation, since the translation of large texts is not always reliable and meaningful. The new feature set of English tokens is augmented with the original set of Greek, consequently producing a high dimensional dataset that poses certain difficulties for any traditional classifier. Accordingly, we apply gradient boosting machines, an ensemble algorithm that can learn with different loss functions providing the ability to work efficiently with high dimensional data. Moreover, for the task at hand, we deal with a class imbalance issues since the distribution of sentiments in real-world applications often displays issues of inequality. For example, in political forums or electronic discussions about immigration or religion, negative comments overwhelm the positive ones. The class imbalance problem was confronted using a hybrid technique that performs a variation of under-sampling the majority class and over-sampling the minority class, respectively. Experimental results, considering different settings, such as translation of tokens against translation of sentences, consideration of limited Greek text preprocessing and omission of the translation phase, demonstrated that the proposed gradient boosting framework can effectively cope with both high-dimensional and imbalanced datasets and performs significantly better than a plethora of traditional machine learning classification approaches in terms of precision and recall measures.

show abstract

Section: Sentiment Analysis For Greek Textsmentioning

confidence: 99%

A Novel, Gradient Boosting Framework for Sentiment Analysis in Languages where NLP Resources Are Not Plentiful: A Case Study for Modern Greek

Athanasiou

Μaragoudakis

2017

Algorithms

View full text Add to dashboard Cite

show abstract

“…Η συμφωνία 𝑝 𝑜 είναι ίση με το ποσοστό ακρίβειας (αγγλ. Στο δεύτερο πείραμα, επαναλάβαμε την επισημείωση στο ΗΣΚ της έρευνας (Giouli & Fotopoulou 2014a, Giouli & Fotopoulou 2014b) στη βάση του εμπλουτισμένου σχήματος (Giouli et al 2013). Σε αντίθεση με το προηγούμενο πείραμα, ο στόχος εξειδικεύτηκε περισσότερο, και ορίστηκε ως διευρυμένη άσκηση άρσης της σημασιολογικής αμφισημίας (Word sense disambiguation task) με την ανάθεση στα δηλωτικά συναισθήματος κατηγορήματα ετικετών που αντιστοιχούν στη σημασία τους.…”

Section: εγκυρότητα ταξινομικού σχήματοςunclassified

“…2005, Wilson 2008, Asher et al 2009, Mohammad 2016, Mohammad et al 2018. Στο πλαίσιο αυτό, η γλωσσολογική έρευνα αναφορικά με το συναίσθημα αποκτά νέες προοπτικές, καθώς μέσα από την γλωσσική ανάλυση και την λεξικογραφική πρακτική έρχεται να συμπληρώσει και να επιβοηθήσει τις ποσοτικές μεθόδους στην κατανόηση κειμένου και την αναγνώριση συναισθήματος(Giouli & Fotopoulou 2014a, Negi & Buitelaar 2014, Moreno-Garcia & Rosado 2018.Παράλληλα, η μηχανική μετάφραση (αγγλ. machine translation) και η μηχανικά υποβοηθούμενη μετάφραση (αγγλ.…”

unclassified

Το Σημασιολογικό Πεδίο Των Συναισθημάτων

Giouli¹,

Γιούλη²

View full text Add to dashboard Cite

Αντικείμενο της διδακτορικής διατριβής αποτελεί η μελέτη των ρηματικών κατηγορημάτων της Ελληνικής που δηλώνουν συναίσθημα και η ταξινόμησή τους σε πίνακες του Λεξικού-Γραμματική. Απώτερος στόχος είναι η δημιουργία ενός εύρωστου γλωσσικού πόρου ο οποίος θα μπορεί να αξιοποιηθεί σε διάφορες εφαρμογές επεξεργασίας φυσικής γλώσσας. Η γλωσσολογική έρευνα ακολουθεί τη θεωρία της Μετασχηματιστικής και Κατανεμητικής Γραμματικής που θεμελιώθηκε από τον Zelling S. Harris (1951, 1954, 1968, 1981), ενώ για την περιγραφή των γλωσσικών δεδομένων υιοθετήσαμε τις αρχές του μεθοδολογικού μοντέλου του Λεξικού-Γραμματική (Maurice Gross 1975). Στο πλαίσιο του μοντέλου, η συντακτική ανάλυση ξεκινά από τη μελέτη της απλής πρότασης. Στην κατεύθυνση αυτή, αξιοποιήθηκαν στο έπακρο τα μεθοδολογικά και υπολογιστικά εργαλεία που μας προσφέρουν τα ηλεκτρονικά σώματα κειμένων τόσο για την ανάπτυξη όσο και για την αξιολόγηση του λεξικού πόρου. Αρχικά, πραγματοποιήθηκε ο καθορισμός του σημασιολογικού πεδίου ΣΥΝΑΙΣΘΗΜΑ, με στόχο την επιλογή του γλωσσικού υλικού, δηλαδή των δηλωτικών συναισθήματος ρηματικών κατηγορημάτων. Εν συνεχεία, συγκροτήθηκε Ηλεκτρονικό Σώμα Κειμένων το οποίο χρησιμοποιήθηκε για τη μελέτη των συντακτικών και σημασιολογικών ιδιοτήτων των κατηγορημάτων της ανά χείρας έρευνας. Τελικώς, τα υπό ανάλυση ρήματα, ταξινομήθηκαν σε πέντε (5) πίνακες Λεξικού-Γραμματικής, καθένας εκ των οποίων ορίστηκε στη βάση μίας κοινής (για όλα τα κατηγορήματα που υπάγονται σε αυτόν) καθοριστικής δομής και κοινών συντακτικών και σημασιολογικών ιδιοτήτων. Ακολούθως, και με βάση τη σημασία, ορίστηκαν επιπλέον σημασιολογικές ιδιότητες, οι οποίες αντιστοιχούν σε προ-επιλεγμένα ζεύγη χαρακτηριστικών/τιμών. Τα ζεύγη αυτά ορίζουν ένα ταξινομικό σχήμα που σκιαγραφεί την έννοια ΣΥΝΑΙΣΘΗΜΑ. Οι τιμές του ταξινομικού σχήματος κωδικοποιήθηκαν ως ιδιότητες σε συμπληρωματικούς πίνακες Λεξικού-Γραμματικής. Στο τελευταίο στάδιο, η κωδικοποίηση στους πίνακες των ιδιοτήτων (συντακτικών και σημασιολογικών) με τρόπο τυπικό επέτρεψε την υλοποίηση υπολογιστικής γραμματικής με τη βοήθεια γράφων που κατασκευάστηκαν μέσω εξειδικευμένου λογισμικού (UNITEX). Η στόχευση είναι διττή: η εργασία αποσκοπεί αφενός στον έλεγχο της τελικής κωδικοποίησης που πραγματοποιήθηκε, και αφετέρου στη διερεύνηση της δυνατότητας αξιοποίησης του πόρου (των πινάκων του Λεξικού-Γραμματικής και της υπολογιστικής γραμματικής), για την αυτόματη επεξεργασία φυσικής γλώσσας και της αναγνώρισης συναισθήματος σε κείμενα.

show abstract

Linguistically motivated Language Resources for Sentiment Analysis

Cited by 2 publications

References 17 publications

A Novel, Gradient Boosting Framework for Sentiment Analysis in Languages where NLP Resources Are Not Plentiful: A Case Study for Modern Greek

A Novel, Gradient Boosting Framework for Sentiment Analysis in Languages where NLP Resources Are Not Plentiful: A Case Study for Modern Greek

Το Σημασιολογικό Πεδίο Των Συναισθημάτων

Contact Info

Product

Resources

About