Sentence sentiment classification using fuzzy word matching combined with fuzzy sentiment classifier

• Autorzy: Pietras M.

Warianty tytułu

PL

Klasyfikacja wydźwięku sentymentalnego zdań przy użyciu rozmytego dopasowania wyrazów w połączeniu z rozmytym klasyfikatorem znaczenia sentymentalnego

• Języki publikacji: EN

Abstrakty

EN

This article focuses on semantic tagging of content in terms of sentimental meaning which may often lead to ambiguities between the primary sense of the word and its meaning in a particular expression. To address this issue, a specially modified Levenshtein distance algorithm for suffix-mitigation was used to measure similarity of words. Sentence sentiment classification was based on fuzzy logic approach and a fuzzy classifier. The presented method was experimentally tested with the sentimental analysis of selected sentences in the Polish language. Limitations of the presented method and possible improvements are discussed.

PL

Artykuł skupia się na semantycznym tagowaniu zawartości tekstu w kategoriach znaczenia sentymentalnego, które często może prowadzić do niejednoznaczności między pierwotnym wydzwiekiem słowa i jego znaczeniem w danej wypowiedzi. Aby zmierzyć się z tym zagadnieniem zastosowano specjalnie zmodyfikowany algorytm na odległość Levenshteina z łagodzeniem znaczenia końcówki fleksyjnej wyrazu do pomiaru podobieństwa słów. Sentymentalna klasyfikacja zdań została oparta na logice rozmytej i podejścia rozmytego klasyfikatora. Przedstawiona metoda została eksperymentalnie sprawdzona z sentymentalnej analizy wybranych zdań w języku polskim. Ograniczenia prezentowanej metody oraz możliwe ulepszenia są również omówiane.

Słowa kluczowe

EN

fuzzy logic; Levenshtein distance; sentimental estimation

PL

logika rozmyta; odległość Levenshteina; estymacja wydźwięku sentymentalnego

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2015
• Tom: R. 91, nr 2
• Strony: 107--111
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wykr.

Twórcy

autor

Pietras M.

• West Pomeranian University of Technology, Faculty of Computer Science and Information Technology, Department of Methods of Artificial Intelligence and Applied Mathematics, ul. Żołnierska 49, 71-210 Szczecin, Poland

Bibliografia

• [1] Transactions, IEEE Trans. Magn., 50 (2002), No. 5, 133-137 Cambria E., Havasi C., Hussain A.: SenticNet 2: A semantic and affective resource for opinion mining and sentiment analysis. In: AAAI FLAIRS, pp. 202-207, Marco Island 2012.
• [2] Kim S.M., Hovy E.: Determining the sentiment of opinions. In Proceedings of the 20th International Conference on Computational Linguistics, ser. COLING ’04. USA: Association for Computational Linguistics, pp. 1367-1373. Stroudsburg, PA, 2004.
• [3] Wawer A.: Mining Co-Occurrence Matrices for SO-PMI Paradigm Word Candidates. In Proceedings of the Student Research Workshop at the 13th Conference of the European Chapter of the Association for Computational Linguistics, EACL’12 SRW, pp. 74-80. Avignon, France, April 2012.
• [4] Wawer A., Rogozinska D.: How Much Supervision? Corpusbased Lexeme Senti-ment Estimation. In Data Mining Workshops, 2012 IEEE 12th International Confer-ence on. SENTIRE, ICDMW, pp. 724-730. Los Alamitos, USA, IEEE Computer So-ciety. 2012.
• [5] Nair R., Tambe M., Marsella S.: The role of emotions in multiagent teamwork, in Who Needs Emotions? The Brain Meets the Robot, pp. 311-329. Oxford University Press, 2004.
• [6] Li T., Liu N., Yan J., Wang G., Bai F., Chen Z.: A Markov chain model for integrating behavioral targeting into contextual advertising, KDD Workshop on Data Mining and Audience Intelligence for Advertising, pp. 1-9. ACM, 2009.
• [7] Sivanandam, S.N., S. Sumathi, and S.N. Deepa.: Introduction to Fuzzy Logic Using MATLAB. Berlin: Springer, 2007.
• [8] Levenshtein A.: Binary Codes Capable of Correcting Deletions, Insertions and Reversals. Soviet Physics Doklady, vol. 10. no. 8, pp. 707-710. 1966.
• [9] Weigel A., Fein F.: Normalizing the Weighted Edit Distance. Proc. 12th IAPR Int’l Conf. Pattern Recognition, vol. 2, Conf. B: Computer Vision and Image Processing, pp. 399-402, Oct. 1994.
• [10] Mamdani E.H.: Application of fuzzy logic to approximate reasoning using linguistic synthesis. IEEE Trans. Computers 26(12), pp. 1182-1191. 1977.