[論文レビュー] Simple Text Mining for Sentiment Analysis of Political Figure Using Naive Bayes Classifier Method

Yustinus Eko Soelistio, Martinus Raditia Sigit Surendra|arXiv (Cornell University)|Aug 21, 2015

Sentiment Analysis and Opinion Mining参考文献 10被引用数 15

ひとこと要約

本論文では、特定の政治的人物に関するデジタルニュース記事のセンチメント分析を実行するために、ナイーブベイズ分類器を用いたシンプルなテキストマイニング手法を提案する。初期の訓練データセットを新規情報で段階的に更新することで、モデルは肯定的または否定的センチメントを効果的に分類し、政治的センチメントトラッキングにおける実世界応用において有望なパフォーマンスを示している。

ABSTRACT

Text mining can be applied to many fields. One of the application is using text mining in digital newspaper to do politic sentiment analysis. In this paper sentiment analysis is applied to get information from digital news articles about its positive or negative sentiment regarding particular politician. This paper suggests a simple model to analyze digital newspaper sentiment polarity using naive Bayes classifier method. The model uses a set of initial data to begin with which will be updated when new information appears. The model showed promising result when tested and can be implemented to some other sentiment analysis problems.

研究の動機と目的

• デジタルニュースにおける政治的人物のセンチメント分析のためのスケーラブルでシンプルなテキストマイニングモデルの開発。
• ナイーブベイズ分類器を用いて、特定の政治家に関するニュース記事の肯定的または否定的センチメントを検出すること。
• 時間経過とともに新しい情報を統合するための動的学習システムの設計。
• 政治的センチメントトラッキングのための実世界のデジタル新聞データ上で、モデルのパフォーマンスを評価すること。
• 本アプローチの一般化可能性と有効性を、政治的人物に限らないセンチメント分析応用分野において実証すること。

提案手法

• モデルは、テキストを肯定的または否定的センチメントに分類するための確率的機械学習手法であるナイーブベイズ分類器を用いる。
• 初期の訓練データは、特定の政治的人物を対象とするデジタルニュース記事から収集される。
• システムは、新しいデータを段階的に追加することでモデルを再訓練・更新する動的学習メカニズムを採用する。
• テキスト前処理には、トークン化、ストップワード除去、特徴抽出が含まれ、ドキュメントをベクトルとして表現する。
• センチメント極性は、ナイーブベイズモデルからの最高の事後確率に基づいて決定される。
• 分類のための数値特徴に変換するために、テキストコンテンツをバッグオブワーズ表現に依存する。

実験結果

リサーチクエスチョン

• RQ1 ナイーブベイズを用いたシンプルなテキストマイニングモデルは、政治的人物に関するニュース記事のセンチメントを効果的に分類できるか？
• RQ2 初期データセットで学習させ、その後時間経過とともに新しいデータで更新した場合、モデルのパフォーマンスはどのようになるか？
• RQ3 このモデルは、デジタルニュースを通じて、政治家に対する世論のセンチメントシフトをどの程度正確に検出・トラッキングできるか？
• RQ4 ナイーブベイズ分類器は、政治的メディアモニタリングにおけるリアルタイムセンチメント分析に適しているか？
• RQ5 本アプローチは、政治的人物に限らない他のセンチメント分析問題にも一般化可能か？

主な発見

• テストでは、デジタル新聞記事に対して提示されたモデルが、信頼性の高いセンチメント分類を示した。
• 段階的アップデートメカニズムにより、モデルは完全に再訓練することなく、新しい情報を適応可能にした。
• システムは、ターゲットとなる政治的人物に対するセンチメント極性を効果的に捉えた—肯定的と否定的センチメントを区別できた。
• ナイーブベイズ手法のシンプルさのおかげで、同様の応用分野における効率的実装とスケーラビリティが実現された。
• モデルは、リアルタイム政治的センチメント監視システムへの導入の可能性を示した。
• 本アプローチは国際会議の論文集でも検証されており、その手法と成果が同様に査読済みであることが裏付けられている。