論文の概要: Identifying negativity factors from social media text corpus using sentiment analysis method

• arxiv url: http://arxiv.org/abs/2107.02175v1
• Date: Tue, 6 Jul 2021 10:15:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-07 21:50:38.227961
• Title: Identifying negativity factors from social media text corpus using sentiment analysis method
• Title（参考訳）: 感情分析法を用いたソーシャルメディアテキストコーパスからの否定的要因の同定
• Authors: Mohammad Aimal, Maheen Bakhtyar, Junaid Baber, Sadia Lakho, Umar Mohammad, Warda Ahmed, Jahanvash Karim
• Abstract要約: 本研究では、階層的に否定的なコメントに分解し、より多くのクラスにリンクする。 ツイートはTwitterやFacebookなどのソーシャルメディアサイトから抽出される。 専門家の意見に基づいて、否定的なコメント/ツイートはさらに8つのクラスに分類される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic sentiment analysis play vital role in decision making. Many organizations spend a lot of budget to understand their customer satisfaction by manually going over their feedback/comments or tweets. Automatic sentiment analysis can give overall picture of the comments received against any event, product, or activity. Usually, the comments/tweets are classified into two main classes that are negative or positive. However, the negative comments are too abstract to understand the basic reason or the context. organizations are interested to identify the exact reason for the negativity. In this research study, we hierarchically goes down into negative comments, and link them with more classes. Tweets are extracted from social media sites such as Twitter and Facebook. If the sentiment analysis classifies any tweet into negative class, then we further try to associates that negative comments with more possible negative classes. Based on expert opinions, the negative comments/tweets are further classified into 8 classes. Different machine learning algorithms are evaluated and their accuracy are reported.
• Abstract（参考訳）: 自動感情分析は意思決定において重要な役割を果たす。 多くの組織は、フィードバックや投稿やツイートを手作業で見渡すことで顧客満足度を理解するために多くの予算を費やしています。 自動感情分析は、あらゆるイベント、製品、活動に対して受け取ったコメントの全体像を与えることができる。 通常、コメント/ツイートは2つの主要なクラスに分類される。 しかし、否定的なコメントは、基本的な理由や文脈を理解するには抽象的すぎる。 組織は否定の正確な理由を 特定することに興味があります 本研究では,否定的なコメントを階層的に分類し,さらに多くのクラスにリンクする。 ツイートはTwitterやFacebookなどのソーシャルメディアサイトから抽出される。 感情分析が任意のツイートを負のクラスに分類すると、その否定的なコメントとより可能な負のクラスを関連付けようとする。 専門家の意見に基づいて、ネガティブコメント/ツイートはさらに8つのクラスに分類される。 異なる機械学習アルゴリズムを評価し、その精度を報告する。

関連論文リスト

• You Shall Know a Tool by the Traces it Leaves: The Predictability of Sentiment Analysis Tools [74.98850427240464]
  感情分析ツールが同じデータセットで一致しないことを示す。 感傷的アノテーションに使用される感情ツールは,その結果から予測できることを示す。
  論文  参考訳（メタデータ） (2024-10-18T17:27:38Z)
• Covid-19 Public Sentiment Analysis for Indian Tweets Classification [0.0]
  Twitterのデータがどのように抽出されたかを示し、その上で感情分析クエリを実行する。 これは、意見が極めて非構造的で異質であり、肯定的、否定的、中立的であるツイートの情報を分析するのに役立つ。
  論文  参考訳（メタデータ） (2023-08-01T09:29:55Z)
• Placing M-Phasis on the Plurality of Hate: A Feature-Based Corpus of Hate Online [18.973398187389083]
  我々は、移民関連のニュース記事から収集した9万のドイツ語とフランス語のユーザーコメントのコーパスであるM-Phasis corpusを提示する。 これは "hate"-"neutral" の二分法を超越し、代わりに23の特徴で注釈付けされ、様々な種類の音声の記述子となる。
  論文  参考訳（メタデータ） (2022-04-28T10:36:49Z)
• Sentiment Analysis of Cybersecurity Content on Twitter and Reddit [0.0]
  この研究は、TwitterとRedditのサイバーセキュリティコンテンツを分析し、その感情、肯定的、否定的、中立性を計測した。 また、VADERの性能を評価するために、ランダムなサイバーセキュリティコンテンツ(10のつぶやきと投稿)のサンプルを20人のアノテータによる感情として分類した。 人間の分類と比較すると、VADERはTwitterで60%、Redditで70%の精度で感情を評価した。
  論文  参考訳（メタデータ） (2022-04-26T12:46:55Z)
• Classifying YouTube Comments Based on Sentiment and Type of Sentence [0.0]
  我々は、よく知られた統計測度と機械学習モデルを用いて、YouTubeコメントからのテキスト抽出と分類の課題に対処する。 その結果,従来の手法を取り入れた手法が,コンテンツ制作者のチャンネルにおける視聴者エンゲージメント向上に有効であることを示す。
  論文  参考訳（メタデータ） (2021-10-31T18:08:10Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)
• Sentiment analysis in tweets: an assessment study from classical to modern text representation models [59.107260266206445]
  Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。 非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。 本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
  論文  参考訳（メタデータ） (2021-05-29T21:05:28Z)
• Tweets Sentiment Analysis via Word Embeddings and Machine Learning Techniques [1.345251051985899]
  本論文では、感情分類のための特徴選択モデルWord2vecと機械学習アルゴリズムランダムフォレストを用いて、リアルタイムの2019年選挙Twitterデータに対する感情分析を行うことを目的とする。 Word2vecはテキスト中の単語の文脈意味を考慮し、特徴の質を改善し、機械学習と感情分析の精度を向上させる。
  論文  参考訳（メタデータ） (2020-07-05T08:10:30Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)
• Echo Chambers on Social Media: A comparative analysis [64.2256216637683]
  本研究では,4つのソーシャルメディアプラットフォーム上で100万ユーザが生成した100万個のコンテンツに対して,エコーチャンバーの操作的定義を導入し,大規模な比較分析を行う。 議論の的になっているトピックについてユーザの傾きを推測し、異なる特徴を分析してインタラクションネットワークを再構築する。 我々は、Facebookのようなニュースフィードアルゴリズムを実装するプラットフォームが、エコーチャンバの出現を招きかねないという仮説を支持する。
  論文  参考訳（メタデータ） (2020-04-20T20:00:27Z)
• Social Science Guided Feature Engineering: A Novel Approach to Signed Link Analysis [58.892336054718825]
  リンク分析に関する既存の研究のほとんどは、符号なしのソーシャルネットワークに焦点を当てている。 負のリンクの存在は、符号付きネットワークの特性と原則が符号なしネットワークと異なるかどうかを調査することに関心を持つ。 近年の研究では、符号付きネットワークの特性が符号なしネットワークの特性と大きく異なることが示唆されている。
  論文  参考訳（メタデータ） (2020-01-04T00:26:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。