Методы определения неявно упоминаемых аспектов в публицистических предложениях на русском языке
https://doi.org/10.18255/1818-1015-2024-3-226-239
Аннотация
В работе сравнивается качество работы различных методов определения неявно упоминаемых аспектов социально-экономической жизни в публицистических предложениях на русском языке. Задача определения неявно упоминаемых аспектов является вспомогательной для задач аспектно-ориентированного анализа тональности. Эксперименты проводились на корпусе предложений, извлечённых из политической агитации. Лучшие результаты, с F1-мерой, достигающей 0.84, были получены с использованием эмбеддингов Navec и классификаторов, основанных на методе опорных векторов. Достаточно высокие результаты, с F1-мерой до 0.77, были получены при использовании модели «мешок слов» и наивного байесовского классификатора. Остальные методы показали более низкие результаты. Также в ходе экспериментов было выявлено, что качество определения различных аспектов может достаточно сильно отличаться. Лучше всего определяются аспекты, с которыми в речи связаны характерные слова-маркеры, например, «здравоохранение» и «проведение выборов» Хуже всего определяются упоминания достаточно общих аспектов, таких как «качество управления».
Об авторах
Анатолий Юрьевич Полетаев
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Илья Вячеславович Парамонов
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Егор Михайлович Колупаев
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Список литературы
1. B. Liu, Sentiment Analysis and Opinion Mining. Springer, 2022.
2. W. Zhang, X. Li, Y. Deng, L. Bing, and W. Lam, “A survey on aspect-based sentiment analysis: Tasks, methods, and challenges,” IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 11, pp. 11019–11038, 2022, doi: 10.1109/TKDE.2022.3230975.
3. M. M. Trucscǎ and F. Frasincar, “Survey on aspect detection for aspect-based sentiment analysis,” Artificial Intelligence Review, vol. 56, no. 5, pp. 3797–3846, 2023.
4. A. Naumov, R. Rybka, A. Sboev, A. Selivanov, and A. Gryaznov, “Neural-network method for determining text author's sentiment to an aspect specified by the named entity,” in CEUR Workshop Proceedings, 2020, vol. 2648, pp. 134–143.
5. E. V. Sergeeva, “Features of speech exposure in the preelection media discourse,” in Aktual'nye problemy gumanitarnogo znaniya v tekhnicheskom vuze, 2021, pp. 237–239.
6. A. Nazir, Y. Rao, L. Wu, and L. Sun, “Issues and challenges of aspect-based sentiment analysis: A comprehensive survey,” IEEE Transactions on Affective Computing, vol. 13, no. 2, pp. 845–863, 2020, doi: 10.1109/TAFFC.2020.2970399.
7. P. K. Soni and R. Rambola, “A Survey on Implicit Aspect Detection for Sentiment Analysis: Terminology, Issues, and Scope,” IEEE Access, vol. 10, pp. 63932–63957, 2022, doi: 10.1109/ACCESS.2022.3183205.
8. B. Mohammed and others, “Hybrid approach to extract adjectives for implicit aspect identification in opinion mining,” in 11th International Conference on Intelligent Systems: Theories and Applications (SITA), 2016, pp. 1–5, doi: 10.1109/SITA.2016.7772284.
9. A. O. Kornej and E. N. Kryuchkova, “Semantiko-statisticheskij algoritm opredeleniya kategorij aspektov v zadachah sentiment-analiza,” Izvestiya Yuzhnogo federal'nogo universiteta. Tekhnicheskie nauki, no. 6 (216), pp. 66–74, 2020, doi: 10.18522/2311-3103-2020-6-66-74.
10. E. I. Gribkov and Y. P. Ekhlakov, “Nejrosetevaya model' na osnove sistemy perekhodov dlya izvlecheniya sostavnyh ob'ektov i ih atributov iz tekstov na estestvennom yazyke,” Doklady Tomskogo gosudarstvennogo universiteta sistem upravleniya i radioelektroniki, vol. 23, no. 1, pp. 47–52, 2020, doi: 10.21293/1818-0442-2020-23-1-47-52.
11. L. Hickman, S. Thapa, L. Tay, M. Cao, and P. Srinivasan, “Text preprocessing for text mining in organizational research: Review and recommendations,” Organizational Research Methods, vol. 25, no. 1, pp. 114–146, 2022, doi: 10.1177/1094428120971683.
12. S. Bird, E. Klein, and E. Loper, Natural language processing with Python: analyzing text with the natural language toolkit. O'Reilly Media, Inc., 2009.
13. U. Naseem, I. Razzak, and P. W. Eklund, “A survey of pre-processing techniques to improve short-text quality: a case study on hate speech detection on Twitter,” Multimedia Tools and Applications, vol. 80, pp. 35239–35266, 2021, doi: 10.1007/s11042-020-10082-6.
14. J. Coates and D. Bollegala, “Frustratingly Easy Meta-Embedding -- Computing Meta-Embeddings by Averaging Source Word Embeddings,” in Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers), 2018, pp. 194–198, doi: 10.18653/v1/N18-2031.
15. T. Mikolov, K. Chen, G. Corrado, and J. Dean, “Efficient estimation of word representations in vector space.” 2013.
16. I. Yamada et al., “Wikipedia2Vec: An Efficient Toolkit for Learning and Visualizing the Embeddings of Words and Entities from Wikipedia,” in Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, 2020, pp. 23–30, doi: 10.18653/v1/2020.emnlp-demos.4.
17. A. Joulin, E. Grave, P. Bojanowski, and T. Mikolov, “Bag of Tricks for Efficient Text Classification,” in Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Volume 2, Short Papers, 2017, pp. 427–431, doi: 10.48550/arXiv.1607.01759.
18. A. Kukushkin, “Navec -- kompaktnye embeddingi dlya russkogo yazyka.” 2020, Accessed: Aug. 11, 2024. [Online]. Available: https://natasha.github.io/navec/.
19. J. Pennington, R. Socher, and C. D. Manning, “GloVe: Global Vectors for Word Representation,” in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 1532–1543, doi: 10.3115/v1/D14-1162.
20. Q. Le and T. Mikolov, “Distributed representations of sentences and documents,” in International conference on machine learning, 2014, pp. 1188–1196.
21. F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
Рецензия
Для цитирования:
Полетаев А.Ю., Парамонов И.В., Колупаев Е.М. Методы определения неявно упоминаемых аспектов в публицистических предложениях на русском языке. Моделирование и анализ информационных систем. 2024;31(3):226-239. https://doi.org/10.18255/1818-1015-2024-3-226-239
For citation:
Poletaev A.Y., Paramonov I.V., Kolupaev E.M. Methods of implicit aspect detection in Russian publicism sentences. Modeling and Analysis of Information Systems. 2024;31(3):226-239. (In Russ.) https://doi.org/10.18255/1818-1015-2024-3-226-239
Просмотров:
176
Послать статью по эл. почте 