Who Blames or Endorses Whom? Entity-to-Entity Directed Sentiment Extraction in News Text

Abstract

Understanding who blames or supports whom in news text is a critical research question in computational social science. Traditional methods and datasets for sentiment analysis are, however, not suitable for the domain of political text as they do not consider the direction of sentiments expressed between entities. In this paper, we propose a novel NLP task of identifying directed sentiment relationship between political entities from a given news document, which we call directed sentiment extraction. From a million-scale news corpus, we construct a dataset of news sentences where sentiment relations of political entities are manually annotated. We present a simple but effective approach for utilizing a pretrained transformer, which infers the target class by predicting multiple question-answering tasks and combining the outcomes. We demonstrate the utility of our proposed method for social science research questions by analyzing positive and negative opinions between political entities in two major events: 2016 U.S. presidential election and COVID-19. The newly proposed problem, data, and method will facilitate future studies on interdisciplinary NLP methods and applications. 1 * This work was done while the first author was a postdoctoral researcher at UCLA.

Extracção de Relações de Apoio e Oposição em Títulos de Notícias de Política em Português

“…Neste recurso a origem do sentimento, pressupõem-se, é do comentador. Moreira et al (2013) Park et al (2021) propõe uma estrutura de relações para detectar o sentimento e a direcção: dada uma frase s referindo duas entidades p e q, detectar qual a relação de sentimento entre p e q de entre cinco possíveis: neutra, p tem uma opinião positiva ou negativa em relação a q, ou q tem uma opinião positiva ou negativa em relação a p. No seu trabalho os autores usam múltiplos modelos transformando a tarefa de extracção de sentimentos em sub-tarefas que respondem a perguntas de sim/não para cada um dos 5 sentimentos possíveis, combinando depois os vários resultados num resultado final. Esta abordagem é aplicada para Inglês num corpus criado pelos autores contendo frases de artigos de notícias contento pelo menos duas entidades.…”

“…A maioria dos títulos contém uma relação de oposição ou outra, e a grande maioria das relações têm uma direcção da primeira para a segunda entidade, Ent 1 →Ent 2 . O rácio de relações de oposição para com relações de apoio é de 1,6, este valor é semelhante com os dados para Inglês disponibilizados por Park et al (2021), onde esta mesma relação entre as duas classes é de 1,8. Em termos de representatividade das classes, agregadas por sentimento, os dois conjuntos de dados também são semelhantes, sendo outra a classe mais presente, seguindo-se oposição e por último apoio.…”

“…Os resultados obtidos com as abordagens descritas, para os dados em Português, estão em linha com os resultados reportados anteriormente em dados em Inglês (Liang et al, 2019;Park et al, 2021).…”