[論文レビュー] Sentiment Analysis of Arabic Tweets: Feature Engineering and A Hybrid Approach

Nora Al-Twairesh, Hend S. Al‐Khalifa+2 more|arXiv (Cornell University)|May 22, 2018

Sentiment Analysis and Opinion Mining参考文献 27被引用数 27

ひとこと要約

この論文では、特徴工学的手法とコーパス・リソース・ベースの分類モデルを組み合わせたハイブリッドセンチメント分析アプローチを、サウジアラビア語のツイートに対して提案している。ノイズが多く、非形式的なソーシャルメディアのテキストにおいて、特徴選択とアンサンブルモデリングを用いることで、2値分類でF1スコア69.9、3値分類で61.63、4値分類で55.07を達成した。

ABSTRACT

Sentiment Analysis in Arabic is a challenging task due to the rich morphology of the language. Moreover, the task is further complicated when applied to Twitter data that is known to be highly informal and noisy. In this paper, we develop a hybrid method for sentiment analysis for Arabic tweets for a specific Arabic dialect which is the Saudi Dialect. Several features were engineered and evaluated using a feature backward selection method. Then a hybrid method that combines a corpus-based and lexicon-based method was developed for several classification models (two-way, three-way, four-way). The best F1-score for each of these models was (69.9,61.63,55.07) respectively.

研究の動機と目的

• アラビア語におけるセンチメント分析、特に非形式的かつ変形が豊富な方言的ツイート文書における課題に対処すること。
• サウジアラビア語のソーシャルメディアコンテンツに内在するノイズと言語的複雑性を克服すること。
• ハイブリッドモデリングを用いて、方言的アラビア語に特化した堅牢なセンチメント分類システムを開発すること。
• センチメント予測のための多様な言語的および統計的特徴の評価と最適化。
• 特徴選択と複数の分類戦略の統合を通じて、分類性能の向上を図ること。

提案手法

• n-gram、品詞タグ、センチメントリソーススコアを含む包括的な言語的特徴を設計した。
• 後退的特徴選択を適用し、センチメント分類に最も予測力のある特徴を同定した。
• コーパスベースのアプローチ（アノテート済みデータを用いた教師あり機械学習）とリソースベースのアプローチ（辞書駆動のセンチメントスコア）を統合した。
• 2値、3値、4値のセンチメントラベル付けスキームの下で、複数の分類モデル（例：SVM、ナイーブベイズ）を評価した。
• コーパスベースおよびリソースベースのモデルの出力をアンサンブル平均化することで、モデルの堅牢性を向上させた。
• 訓練および評価に、手動でアノテートされた公開済みのサウジアラビア語ツイートコーパスを用いた。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多く、非形式的なサウジアラビア語ツイートにおけるセンチメント分類に、どのエンジニアリング特徴が最も効果的か？
• RQ2 コーパスベースおよびリソースベースの手法を統合することで、単独のアプローチに比べて、センチメント分類性能がどのように向上するか？
• RQ3 方言的アラビア語センチメント分析において、特徴セットのサイズと分類精度の最適なバランスは何か？
• RQ4 2値、3値、4値の異なるセンチメントラベル付けスキームが、アラビア語ツイートのモデル性能に与える影響は何か？
• RQ5 低リソースで変形が豊富な言語環境において、ハイブリッドモデリングは従来の単一手法に比べて優位性を示せるか？

主な発見

• ハイブリッドアプローチは、2値分類（ポジティブ対ネガティブ）で最高のF1スコア69.9を達成した。
• 3値分類モデル（ポジティブ、ネガティブ、ニュートラル）はF1スコア61.63に達し、バランスの取れたセンチメントカテゴリにおいて優れた性能を示した。
• 4値分類モデル（混合またはその他のセンチメントを含む）はF1スコア55.07を達成し、より細かいセンチメントクラスの区別に課題があることを示した。
• 特徴の後退的選択により、冗長またはノイズの多い特徴を排除することで、モデル性能が顕著に向上した。
• リソースベースとコーパスベースのモデルの統合により、未知語や希少な変形形の処理において、特にモデルの堅牢性が向上した。
• 本研究は、アラビア語の変形およびソーシャルメディア方言に特化した特徴工学が、効果的なセンチメント分析に不可欠であることを確認した。