[論文レビュー] Boost Phrase-level Polarity Labelling with Review-level Sentiment Classification

Yongfeng Zhang, Min Zhang+2 more|arXiv (Cornell University)|Feb 11, 2015

Sentiment Analysis and Opinion Mining参考文献 47被引用数 17

ひとこと要約

本稿では、星評価とテキストの感情の不一致を是正することで、フレーズレベルの感情極性ラベル付けの精度を最大89%まで向上させる、制約付き凸最適化フレームワークを提案する。この手法は、レビュー単位の感情分類を活用し、凸性によってグローバル最適性を保証する。

ABSTRACT

Sentiment analysis on user reviews helps to keep track of user reactions towards products, and make advices to users about what to buy. State-of-the-art review-level sentiment classification techniques could give pretty good precisions of above 90%. However, current phrase-level sentiment analysis approaches might only give sentiment polarity labelling precisions of around 70%~80%, which is far from satisfaction and restricts its application in many practical tasks. In this paper, we focus on the problem of phrase-level sentiment polarity labelling and attempt to bridge the gap between phrase-level and review-level sentiment analysis. We investigate the inconsistency between the numerical star ratings and the sentiment orientation of textual user reviews. Although they have long been treated as identical, which serves as a basic assumption in previous work, we find that this assumption is not necessarily true. We further propose to leverage the results of review-level sentiment classification to boost the performance of phrase-level polarity labelling using a novel constrained convex optimization framework. Besides, the framework is capable of integrating various kinds of information sources and heuristics, while giving the global optimal solution due to its convexity. Experimental results on both English and Chinese reviews show that our framework achieves high labelling precisions of up to 89%, which is a significant improvement from current approaches.

研究の動機と目的

• 高精度なレビュー単位の感情分類と、それより低い精度のフレーズレベルの感情極性ラベル付けの間の性能ギャップを是正すること。
• ユーザーレビューにおける数値的星評価とテキストの感情傾向の不一致を調査すること。
• レビュー単位の感情分類の結果を監視信号として統合することで、フレーズレベルの感情極性ラベル付けを改善すること。
• 多様なヒューリスティクスおよび情報源を柔軟に統合できる、柔軟な凸最適化フレームワークの開発。
• 英語および中国語のレビューデータセットを用いた、フレームワークの有効性と多言語への一般化能力の評価。

提案手法

• グローバル最適性を保証するため、フレーズレベルの感情極性ラベル付けを制約付き凸最適化問題として定式化する。
• 4種類のヒューリスティクスを統合する：(1) レビュー単位の感情分類、(2) 特徴-意見の共起、(3) 感情極性の一貫性、(4) 感情伝播に関する構造的制約。
• ラグランジュ双対法とカールシュ＝クーン＝タッカー（KKT）条件を用いて、収束性が保証された反復的最適化アルゴリズムを導出する。
• リーとセウング（2001）に基づく補助関数法を用いて、感情スコア行列Xの更新ルールの正しさと収束性を保証する。
• 正則化項をハイパーパラメータ（λ1からλ4）で重み付けした目的関数を構築し、データ適合性、グラフの滑らかさ、制約の強制をバランスさせる。
• レビュー単位の感情予測結果をソフトラベルとして用いて最適化をガイドし、偏りのある星評価に依存するのを軽減する。

実験結果

リサーチクエスチョン

• RQ1 星評価とテキストの感情がフレーズレベルの感情ラベル付けにおいて一致しているという仮定は妥当か？
• RQ2 レビュー単位の感情分類結果は、フレーズレベルの感情極性ラベル付けの改善に効果的に活用できるか？
• RQ3 異なるヒューリスティクスは、提案フレームワークの性能にどのように寄与しているか？
• RQ4 英語および中国語のような言語間で、このフレームワークはどの程度一般化可能か？
• RQ5 多様な情報源を統合しながら、凸最適化フレームワークはグローバル最適性を達成できるか？

主な発見

• 提案フレームワークは、フレーズレベルの感情極性ラベル付けの精度を最大89%まで向上させ、現在の最先端手法を顕著に上回る。
• 英語および中国語のデータセットにおける実験結果から、フレームワークの有効性と多言語への一般化能力が確認された。
• ハイパーパラメータの分析から、4つのヒューリスティクスすべてが性能向上に肯定的な寄与をしていることが示された。
• 星評価とテキストの感情の不一致は実証的に検証され、レビュー単位の監視メカニズムの必要性が正当化された。
• 凸最適化フレームワークはグローバル最適性を保証し、複数の情報源の柔軟な統合を可能にした。
• 反復的最適化アルゴリズムは信頼性高く収束し、補助関数法により更新ルールの正しさが証明された。