[論文レビュー] A Comprehensive Review on Sentiment Analysis: Tasks, Approaches and Applications

Sudhanshu Kumar, Partha Pratim Roy+2 more|arXiv (Cornell University)|Nov 19, 2023

Sentiment Analysis and Opinion Mining被引用数 5

ひとこと要約

この包括的なサーベイは、テキスト、音声、画像、動画における感情分析（SA）をレビューし、タスク（ドキュメントレベル、文レベル、アスペクトレベル）、アプローチ（語彙ベース、機械学習、ディープラーニング）、およびソーシャルメディア、医療、政治、ファイナンス分野における応用をカバーしている。主な課題として皮肉、慣用句、多言語化、ディス course 構造を特定し、SOTAソリューションとしてBERTと事前学習済み埋め込みを強調しており、NLPおよびML分野の研究者に構造的なロードマップを提供する。

ABSTRACT

Sentiment analysis (SA) is an emerging field in text mining. It is the process of computationally identifying and categorizing opinions expressed in a piece of text over different social media platforms. Social media plays an essential role in knowing the customer mindset towards a product, services, and the latest market trends. Most organizations depend on the customer's response and feedback to upgrade their offered products and services. SA or opinion mining seems to be a promising research area for various domains. It plays a vital role in analyzing big data generated daily in structured and unstructured formats over the internet. This survey paper defines sentiment and its recent research and development in different domains, including voice, images, videos, and text. The challenges and opportunities of sentiment analysis are also discussed in the paper. \keywords{Sentiment Analysis, Machine Learning, Lexicon-based approach, Deep Learning, Natural Language Processing}

研究の動機と目的

• テキスト、音声、画像、動画における感情分析タスクについて体系的なレビューを提供すること。
• 語彙ベース、機械学習、ディープラーニングアプローチを感情分析において分析・比較すること。
• 皮肉、慣用句、多言語化、ディス course 構造といった、感情分類における主な課題を特定すること。
• BERT や事前学習済み埋め込みといった最先端モデルの、さまざまな分野における性能と適用可能性を評価すること。
• NLPおよび感情分析分野における代表的な論文、未解決課題、今後の研究方向性を要約することで、新規研究者を支援すること。

提案手法

• 2000年から2020年までの感情分析に関する包括的な文献レビューを実施し、2311.11250および関連研究を焦点とする。
• 感情分析を3つのレベルに分類する：ドキュメントレベル、文レベル、アスペクトレベル。各レベルには明確な分類目的がある。
• 感情分析手法を2つの主要カテゴリに分類する：語彙ベース（辞書ベース、コーパスベース）と機械学習（教師あり、教師なし、半教師あり）。
• BERT などのディープラーニングモデルを評価する。BERT は文脈を考慮した単語表現を実現する双方向トランスフォーマー構造を採用している。
• 事前学習済み埋め込み（例：Google News や IMDB データセットからのもの）を用いた性能評価を行い、分野特化型の有効性を検証する。
• VADER やその他のルールベースツールが、リソースが限られた小規模な感情分類タスクの処理において果たす役割を議論する。

実験結果

リサーチクエスチョン

• RQ1 感情分析の主なタスクとレベルは何か？ それぞれの応用と複雑さにおいてどのように異なるか？
• RQ2 語彙ベース、機械学習、ディープラーニングアプローチは、異なるデータタイプにおいて性能と適応性の観点からどのように比較できるか？
• RQ3 皮肉、慣用句、多言語化、ディス course 構造といった、感情分析における主な課題は何か？
• RQ4 事前学習モデル（例：BERT）や単語埋め込みは、分野特化型およびリソースが限られた感情分類に対してどれほど効果的か？
• RQ5 感情分析の代表的な応用分野は何か？ それぞれの分野に最も適したモデルは何か？

主な発見

• 2011年から2020年にかけて、感情分析に関する研究論文の発表数が著しく増加しており、これはインダストリー4.0とソーシャルメディアの台頭を反映している。
• アスペクトレベルの感情分析は、レストランレビューにおける「料理」のような特定の製品的要因に意見を結びつけることで、より詳細なインサイトを提供する。
• BERT やその他のトランスフォーマー基盤モデルは、双方向的文脈を捉えることで、従来手法を上回る性能を示すが、計算コストが非常に高い。
• 大規模コーパス（例：1000億語）で事前学習された単語埋め込みは、分野が一致するデータでは優れた性能を示すが、分野外またはリソースが限られたテキストでは性能が低下する。
• 皮肉や慣用句は依然として大きな課題であり、これらは文脈や比喩的言語に依存しており、従来のモデルでは正しく解釈できない。
• 多言語感情分析は、言語的多様性、標準化されたツールの不足、感情表現における完全翻訳の不可能性のため、特に困難である。