Ich suche nach wissenschaftlichen, von Experten begutachteten Artikeln, die die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) mit Chat- oder Textnachrichten-Jargonen/Akronymen und den Einfluss von Chat-Teilnehmern auf der Grundlage von Sprache und Emoticons diskutieren. Hat jemand eine gute Empfehlung?
Ich bin bereits mit den jüngsten Arbeiten vertraut, bei denen Twitter verwendet wird, um die allgemeine Stimmung der Gesellschaft als Mittel zur Vorhersage des Aktienmarktes zu bewerten. Sie verwendeten das Google-Profile of Mood States (GPOMS), das die Stimmung als ruhig, aufmerksam, sicher, vital, freundlich oder glücklich misst. Ich suche nach anderen Beispielen, die den allgemeinen Affekt bewerten, idealerweise durch die Anwendung wissenschaftlicherer psychometrischer Tests auf NLP.
Ich versuche nicht, die Daten für Vorhersagen zu verwenden. Ich versuche, maschinelle Lernalgorithmen zu verwenden, um Gespräche zu klassifizieren/kategorisieren.
Verweise:
Bollen, J., Mao, H., Zeng, XJ. (2011). Twitter-Stimmung prognostiziert die Börse. Journal of Computational Science, 2 (1), 1-8. [DOI]
Das Feld, das diese von Ihnen beschriebene Arbeit erledigt, ist die Stimmungsanalyse . Aus Wikipedia:
Eine grundlegende Aufgabe bei der Sentimentanalyse ist die Klassifizierung der Polarität eines bestimmten Textes auf Dokument-, Satz- oder Merkmals-/Aspektebene – ob die geäußerte Meinung in einem Dokument, einem Satz oder einem Entitätsmerkmal/-aspekt positiv, negativ oder neutral ist. Fortgeschrittene Stimmungsklassifikation „jenseits der Polarität“ befasst sich zum Beispiel mit emotionalen Zuständen wie „wütend“, „traurig“ und „glücklich“.
Aus einem Einführungskurs (viele gute Referenzen auf dieser Seite)
Diese Arbeit liegt im allgemeinen Bereich der Stimmungsanalyse, der Meinungsextraktion oder Meinungsgewinnung und der funktionsbasierten Meinungszusammenfassung aus nutzergenerierten Inhalten oder nutzergenerierten Medien im Web, z. B. Rezensionen, Foren- und Gruppendiskussionen und Blogs. In unserem KDD-2004(Minqing Hu und Bing Liu. „Mining and summarizing customer reviews.“ Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, Seattle, Washington, USA, 22.-25. August 2004.) haben wir das Feature- Basierendes Opinion-Mining-Modell, das jetzt auch als aspektbasiertes Opinion-Mining bezeichnet wird (da der Begriff Feature hier mit dem im maschinellen Lernen verwendeten Begriff Feature verwechseln kann). Die Ausgabe eines solchen Meinungsminings ist eine merkmalsbasierte Meinungszusammenfassung oder eine aspektbasierte Meinungszusammenfassung. Der Bereich hängt auch mit der Stimmungsklassifikation zusammen. Unsere aktuelle Arbeit liegt in zwei Hauptbereichen, die zwei Arten von Meinungen (oder Bewertungen) widerspiegeln
- Gewinnen regelmäßiger (oder direkter) Meinungen. Beispiel: (1). Diese Kamera ist großartig. (2). Nach der Einnahme des Medikaments bekam ich Magenschmerzen.
- Bergbau vergleichende Meinungen. Beispiel: Cola schmeckt besser als Pepsi.
Scrollen Sie in Bezug auf Ihre tatsächlichen Ziele auf dieser Seite nach unten, um zusätzliche Punkte zu erhalten, und Sie werden eine Übung finden, die ein Szenario durchläuft, das dem ähnelt, was Sie mit Emoticons beschreiben.
In Bezug auf Peer-Review, Chmiel A, Sienkiewicz J, et al (2011). Kollektive Emotionen online und ihr Einfluss auf das Gemeinschaftsleben, PLoS One, 6(7), e22207. Pdf . Ich bin sicher, dass es andere in den Mainstream-NLP-Journalen gibt, aber mir fehlt eine Datenbank, die sie auflistet.
Ich würde unter dem Thema Affective Computing vor allem im Aufspüren und Erkennen von emotionalen Informationen suchen und mich dann auf NLP - Methoden in diesem Bereich spezialisieren.
Hier ein paar interessante Artikel:
Visualisierung der affektiven Struktur eines Textdokuments
Ein Modell der textuellen Affekterkennung unter Verwendung von Wissen aus der realen Welt
Saurus: ein emotional gewichteter Thesaurus
Gouldstone, J., Liu, H., Lieberman, H., Ishii, H. (2006). Saurus: ein emotional gewichteter Thesaurus. Computational Aesthetics: Artificial Intelligence Approaches to Beauty and Happiness , Technical Report WS-06-04.
Liu, H., Selker, T., Lieberman, H. (2003). Visualisierung der affektiven Struktur eines Textdokuments. Proceedings of the Conference on Human Factors in Computing Systems , CHI 2003, 5.-10. April 2003, Ft. Lauderdale, FL, USA. ACM 2003, ISBN 1-58113-637-4, S. 740-741.
Liu, H., Liebermann, H., Selker, T. (2003). Ein Modell der textuellen Affekterkennung unter Verwendung von Wissen aus der realen Welt. Proceedings of the 2003 International Conference on Intelligent User Interfaces , IUI 2003, 12.-15. Januar 2003, Miami, FL, USA. ACM 2003, ISBN 1-58113-586-6, S. 125-132. Miami, Florida.
Piotr Migdal
RJB
Dan