دانلود ترجمه مقاله جوانب معنایی در تحليل احساسات (ساینس دایرکت – الزویر 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

جوانب معنایی در تحليل احساسات

Semantic Aspects in Sentiment Analysis

1- مقدمه

2- منابع معناشناختی برای تحلیل احساسات

2-1- منابع کلاسیک احساسات

2-2- فراتر از ظرفیت قطبیت: واژگان هیجان، هستی شناسی ها، و منابع روانی-زبانی

2-3- مجموعه نوشته های شبکه های اجتماعی تفسیر شده برای احساسات و طبقات هیجانات خوب

3- استفاده از معناشناسی در تحلیل احساسات

3-1- اطلاعات واژگانی

3-2- معناشناسی توزیعی

3-3- نهادها، خصوصیات، و روابط

3-4- تحلیل احساسات سطح مفهوم: استدلال با معناشناسی

4- نتیجه گیری ها

مقدمه

این حقیقت که معناشناسی باید نقش مهمی را در تفسیر احساسات متن بازی کند نسبتاً واضح است، حتی اگر فقط معنای ساده کلمات خیلی اخباری و بارز باشند (“من آنرا دوست دارم” در مقابل “من از آن متنفرم”). البته حداقل به دو دلیل، چیزها آنقدرها هم ساده و واضح نیستند: (1) تعریف، کشف، و استخراج اتوماتیک معنا خیلی آسان نیست، و (2) تحلیل احساسات (خصوصاً در توسعه های اخیر) اغلب مربوط به متمایز سازی نظرات مثبت از نظرات منفی نیست.

در عملیات هدفمند SemEval 2015، چهار وظیفه مشترک در “روش تحلیل احساسات” سازماندهی شد: یک وظیفه عمومی در مورد تحلیل احساسات در تویتر (وظیفه 10، با چهار وظیفه فرعی)، یک وظیفه متمرکز بر زبان تمثیلی با عنوان “تحلیل احساسات زبان تمثیلی در تویتر” (وظیفه 11)، یک وظیفه تحلیل احساسات جنبه-محور (وظیفه 12) که سیستم ها می بایست جنبه های نهادها و احساسات بیان شده برای هر جنبه را شناسایی می کردند، و یک وظیفه نسبتاً متفاوت متمرکز بر قطبیت رویدادها با عنوان “قطبیت ضمنی CLIPEval رویدادها” (وظیفه 9). در SemEval 2016 جاری، وظیفه ای هم در مورد شناسایی حالت در تویت ها وجود دارد (وظیفه 6) (بعبارت دیگر، شناسایی جایگاه مؤلف با توجه به یک هدف معین [مخالف، موافق، بیطرف])، و یک وظیفه هم در مورد تعیین شدت احساسات (وظیفه 7). بعضی از این وظیفه ها سری داده هایی را در بیش از یک زبان فراهم می سازند. همچنین یک وظیفه مشترک در مورد تحلیل احساسات در سطح مفهوم بتازگی در محتوای کنفرانس اینترنتی معنایی اروپا سازماندهی شده است. این عمل پر شور جاری برای تحریک تحقیق، منابع، و ابزارها در این حوزه توسط سازماندهی وظایف فراوان تر و پیچیده تر، نه تنها به ما می گوید که علاقه به تحلیل احساسات رو به رشد، بلکه همچنین به ما می گوید که تحلیل احساسات دیگر فقط در مورد شناسایی این مسئله نیست که یک بازبینی یا تویت معین بصورت عینی است یا فردی؛ و اگر فردی است، آیا مثبت است یا منفی. در واقع تحلیل احساسات نیازمند یک تحلیل و تفسیر پیچیده تر از پیام هایی است که آنها هم به نوبه خود باید بر پردازش و درک عمیق تری متکی باشند. بنابراین اگرچه درست است که معناشناسی و پردازش معنایی نقش مهمی را در این مسئله بازی می کنند، اما ما باید از چندین دیدگاه مختلف ببینیم که این چطور رخ میدهد.

نتیجه گیری

ما این مقاله را با بیان این مسئله آغاز می کنیم که چه مقدار علاقه و تحقیق در تحلیل احساسات در چند سال گذشته افزایش پیدا کرده است. ما بر این مسئله تأکید کرده ایم که در عملیات های هدفمند SemEval اخیر، وظایف خیلی پیچیده تر از طبقه بندی قطبیت مبنا پیشنهاد شده است. و در اینجا منظور از ما از پیچیدگی، تفسیرهای ریز ساختار احساسات است که مربوط به کاربردهای تمثیلی مانند کنایه است، یا می توان آنرا به این جداسازی ربط داد که کدام نهادها یا خصوصیات نهاد در واقه در جمله بیان شده در نظر خواهی، مورد تمرکز بوده اند. این مسئله در ایجاد منابع هم منعکس می گردد، که ما مشاهده کرده ایم که مجموعه نوشته ها در تفسیر خود برای شامل سازی قطبیت در سطح جمله توسعه داده شده اند، که قبل از این در سطح اسناد جهانی یا سطح نهاد یا سطح پیام انجام می شد.

INTRODUCTION

The fact that semantics must play a crucial role in the sentiment interpretation of text is rather obvious, as even just considering the plain meaning of words can be very indicative (“I liked it” vs. “I hated it”). However, things are not that simple or straightforward for at least two reasons: (1) meaning is not so easy to define, detect, and extract automatically, and (2) sentiment analysis is often not just a matter of distinguishing positive from negative opinions, especially in recent developments.

In the 2015 SemEval campaign, four shared tasks were organized within the Sentiment Analysis track: a rather general task on sentiment analysis in Twitter (task 10 [1], with four subtasks), a task focused on figurative language, entitled “Sentiment Analysis of Figurative Language in Twitter” (task 11 [2]), an aspect-based sentiment analysis task (task 12 [3]), where systems had to identify aspects of entities and the sentiment expressed for each aspect, and a rather different task focused on events’ polarity, entitled “CLIPEval Implicit Polarity of Events” (task 9 [4]). Within the ongoing SemEval 2016, there is also a task on detecting stance in tweets (task 61)—that is, detecting the position of the author with respect to a given target (against/in favor/neutral)—and one on determining sentiment intensity (task 72). Some of these tasks provide datasets in more than one language. Additionally, a shared task on concept-level sentiment analysis has been organized recently in the context of the European Semantic Web Conference [5]. This fervent, current action on stimulating research, resources, and tools in this field by organizing more numerous and more complex tasks tells us not only that interest in sentiment analysis is growing but also that sentiment analysis is no longer just about detecting whether a given review or tweet is objective or subjective, and in the latter case it is whether positive or negative. Rather, it requires a more complex analysis and interpretation of messages that in turn must rely on deeper processing and understanding. Thus although it is true that semantics and semantic processing play a crucial role in this, we must see how this happens, from several points of view.

CONCLUSIONS

We started this contribution by pointing out how much interest and research in sentiment analysis have grown in the past few years. We have highlighted that in the recent SemEval campaigns tasks more complex than basic polarity classification have been proposed. And complexity here means finergrained interpretations of sentiment, be it related to figurative uses such as irony or be it related to singling out which entities or entity properties are actually in focus in an opinionated statement. This is also reflected in resource creation, where we have seen that corpora have been extended in their annotation to include polarity at the sentence level, where before this was done at the global document level, or at the entity level, where before it was done at the message level.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

جوانب معنایی در تحليل احساسات

Semantic Aspects in Sentiment Analysis