[論文レビュー] Approaches for Sentiment Analysis on Twitter: A State-of-Art study

Harsh Thakkar, Dhiren Patel|arXiv (Cornell University)|Dec 3, 2015

Sentiment Analysis and Opinion Mining参考文献 22被引用数 48

ひとこと要約

この論文は、Twitterにおけるセンチメント分析の最先端のアプローチを包括的に調査し、語彙的、機械学習、ハイブリッド手法をレビューしている。短くノイズの多いテキストを処理するための技術を、TwitterのストリーミングAPIを用いて評価し、リアルタイムでのセンチメント検出および意見マイニングにおける主な課題と進展を強調している。

ABSTRACT

Microbloging is an extremely prevalent broadcast medium amidst the Internet fraternity these days. People share their opinions and sentiments about variety of subjects like products, news, institutions, etc., every day on microbloging websites. Sentiment analysis plays a key role in prediction systems, opinion mining systems, etc. Twitter, one of the microbloging platforms allows a limit of 140 characters to its users. This restriction stimulates users to be very concise about their opinion and twitter an ocean of sentiments to analyze. Twitter also provides developer friendly streaming API for data retrieval purpose allowing the analyst to search real time tweets from various users. In this paper, we discuss the state-of-art of the works which are focused on Twitter, the online social network platform, for sentiment analysis. We survey various lexical, machine learning and hybrid approaches for sentiment analysis on Twitter.

研究の動機と目的

• Twitterの独自の言語的・構造的制約に特化したセンチメント分析手法を体系的にレビューすること。
• 短くノイズの多いマイクロブログテキストにおけるセンチメント分析に特に効果的なアプローチ—語彙的、機械学習、ハイブリッド—を特定および分類すること。
• Twitterの開発者フレンドリーなストリーミングAPIが、リアルタイムでのデータ収集を可能にし、センチメント分析システムにどのように貢献しているかを検討すること。
• 多様なトピックにおけるユーザーの洗練された意見を捉えることに、既存のセンチメント分析手法の性能と限界を評価すること。
• 2015年時点でのTwitterセンチメント分析におけるトレンド、課題、未解決の問題を統合し、今後の研究を導くこと。

提案手法

• 2010年から2015年までの期間に焦点を当て、Twitterにおけるセンチメント分析に特化した査読付き論文の体系的レビュー。
• センチメント分析手法を3つの主要なクラスに分類：語彙ベース（例：センチメントリソース）、機械学習ベース（例：SVM、ナイーブベイズ）、両者を統合するハイブリッドモデル。
• Twitterデータに不可欠な前処理ステップの分析：ユーザーメンション、ハッシュタグ、絵文字、スラングの処理。
• n-gram、品詞タグ、文脈に配慮した特徴量といった特徴工学戦略の評価。これによりモデルの精度を向上。
• リアルタイムでのセンチメント追跡およびモデル学習のための主要なデータソースとして、TwitterのストリーミングAPIの活用。
• リソースが限られた環境やノイズの多いTwitterテキスト設定下における、教師ありおよび半教師あり学習フレームワークの比較。

実験結果

リサーチクエスチョン

• RQ1 Twitterにおけるセンチメント分析で一般的に用いられるアプローチは何か。それらは性能や適用可能性においてどのように異なるか。
• RQ2 語彙的アプローチは、機械学習およびハイブリッドモデルと比較して、短く非公式でノイズの多いTwitterテキストを処理する上でどのように異なるか。
• RQ3 TwitterのストリーミングAPIは、リアルタイムでのセンチメント分析およびデータ収集をどのように可能にしているか。
• RQ4 皮肉、曖昧さ、言語の多様性といった、Twitterにおけるセンチメント分析の主な課題は何か。
• RQ5 最近の特徴工学およびモデルアーキテクチャの進展は、Twitterデータにおけるセンチメント分類の正確性をどのように向上させたか。

主な発見

• 特にドメイン特化型センチメントリソースを用いる語彙的アプローチは、単純なセンチメント分類タスクでは優れた性能を示すが、文脈や皮肉の処理には苦労する。
• SVM や ナイーブベイズ といった機械学習モデルは、ラベル付きのTwitterデータセットで学習させることで、語彙ベースの手法よりも高い精度を達成する。
• 語彙ベースの特徴と機械学習手法を組み合わせたハイブリッドモデルは、曖昧な表現や文脈依存の表現を処理する上で、個別のアプローチを上回る性能を示す。
• TwitterのストリーミングAPIの活用により、リアルタイムでのデータ取得が可能となり、イベントやトレンドに応じた動的センチメント監視システムの構築が現実可能となった。
• 絵文字、ハッシュタグ、ユーザーメンションの処理といった前処理技術は、モデルの頑健性と正確性を顕著に向上させる。
• 進展は見られるものの、皮肉の検出、多言語コンテンツ、ドメイン適応といった課題は、依然として顕著な未解決の問題のままである。