Twitter as a Corpus for Sentiment Analysis and Opinion Mining
Alexander Pak, Patrick Paroubek
Universit´e de Paris-Sud, Laboratoire LIMSI-CNRS, Bˆatiment 508,
F-91405 Orsay Cedex, France
alexpak@limsi.fr, pap@limsi.fr
作者来自于法国第二、全球前五十的巴黎南大学。
从今以后主要写概要，读完一段之后再来说，不逐字翻译了。
摘要
介绍这篇推特是今年新型产物，所以研究较少。论文主要是着眼于搜集舆情分析与观点挖掘的语料库，进而进行的语言分析和解释。利用语料库进行情感分类，确定正面、负面、中性情感。实验评价表面我们提出的方法很牛逼。我们研究中的方法以英语为例，但技术可以用于任何其他语言。
（大哥希望你不是在吹牛逼）
简介
公司啊、政治家啊、社会组织啊，他们都希望知道：
在大家眼里他们是什么样的
在大家眼里他们是正面还是负面的
大家希望他们变成什么样
我们搜集了三十万个推特发言，并且分成三类
- 正面
- 负面
- 陈述
然后进行了语言分析。
本文内容分布如下：
- 上述语料库搜集和分类的一种方法；
- 统计语言分析；
- 分类系统；
- 实验评价。
相关工作
(Pang and Lee, 2008)文献中阐述了许多算法，但是大部分都不适用于微博。(Yang et al., 2007)使用了SVM and CRF learners，其中最好的策略是用文章的最后一句话作为情感分析的主要材， (Read, 2005) 用颜表情如 “:-)”和“:-(”作为训练集来分类，利用SVM and Na¨ıve Bayes，他们的准确率达到了70%。 (Go et al., 2009)用了相似的方法，对正面/负面分类准确率达81%，但是对于三类分类的表现很差。
语料库搜集
我们在推特中搜索两种颜表情
• Happy emoticons: “:-)”, “:)”, “=)”, “:D” etc.
• Sad emoticons: “:-(”, “:(”, “=(”, “;(” etc.
分别作为识别积极/消极情感的训练集。
而中性评论则是从纽约时报等流行报纸、杂志的官方微博上提取的。（这个方式合适不合适还是另一说）
语料库分析
词语数量频次分布遵循齐普夫定律
（Zipf定律是美国学者G.K.齐普夫提出的。可以表述为：在自然语言的语料库里，一个单词出现的频率与它在频率表里的排名成反比。）
验证了上述分布之后，我们利用TreeTagger来给语料库中的内容贴标签。我们主要关注不同情感之间标签的异同，利用以下公式进行计算。
不同情感之间标签的异同
下图中set 1是主观评价（包含积极和消极），set 2是客观评价。其中的区别如下：
主观评价含有更多常见普通名次，客观评价含有更多私人、专有名词。
主观评价常常以第一人称和第二人称，而客观评价常常以第三人称。
客观评价常用一般过去时而非过去分词，主观评价中则常有动词和情态动词。
（由于这篇论文的语料库来源有失偏颇，我认为上述结论不具有很高的可信度）
PT结果
下面是一段对这些结论的更进一步的分析，由于分析语言对象不是中文，而且语料库基础本身就略有问题，就不赘述了。
再后面就是训练分类器和模拟，明天再写咯。
That's all for today. See you tomorrow.
Kevin Ham@Wuhu
Department of Internet Engineering, Anhui Normal University, Wuhu, China
3.6.2015
网友评论