[论文解读] On voting intentions inference from Twitter content: a case study on UK 2010 General Election

Vasileios Lampos|arXiv (Cornell University)|Apr 2, 2012

Sentiment Analysis and Opinion Mining参考文献 17被引用 15

一句话总结

本研究提出一种方法，通过情感分析与监督建模，从2010年英国大选期间的Twitter内容推断投票意向。通过引入同义词以增强语义理解，该方法实现了4.34% ± 2.13%的平均绝对误差，证明对保守党、工党和自由民主党投票比例的预测具有统计显著性。

ABSTRACT

This is a report, where preliminary work regarding the topic of voting intention inference from Social Media - such as Twitter - is presented. Our case study is the UK 2010 General Election and we are focusing on predicting the percentages of voting intention polls (conducted by YouGov) for the three major political parties - Conservatives, Labours and Liberal Democrats - during a 5-month period before the election date (May 6, 2010). We form three methodologies for extracting positive or negative sentiment from tweets, which build on each other, and then propose two supervised models for turning sentiment into voting intention percentages. Interestingly, when the content of tweets is enriched by attaching synonymous words, a significant improvement on inference performance is achieved reaching a mean absolute error of 4.34% +/- 2.13%; in that case, the predictions are also shown to be statistically significant. The presented methods should be considered as work-in-progress; limitations and suggestions for future work appear in the final section of this script.

研究动机与目标

• 探究Twitter内容是否可用于推断现实世界中的投票意向趋势。
• 评估情感分析技术在非正式社交媒体文本上进行政治预测的有效性。
• 通过引入同义词以增强语义表征，改进情感推断。
• 利用Twitter数据建立模型并预测主要英国政党的官方民意调查百分比。
• 评估所提出推断方法的统计显著性与稳健性。

提出的方法

• 开发了三种情感提取方法：SnPOS（无词性标注的情感分析）、SPOS（带词性标注的情感分析）以及SPOSW（带同义词增强的情感分析）。
• 使用各政党特定关键词（如政党名称、主要政治人物）从为期5个月的时间段（2010年1月至5月）内检索相关Twitter推文。
• 使用SentiWordNet 3.0为词语分配情感得分，并通过Porter算法进行词干化处理以应对词形变化。
• 使用Stanford词性标注器进行词性标注，以基于词性上下文优化情感分配。
• 在SPOSW方法中，通过扩展每条推文的词汇内容以引入语义相关的词语，提升信号检测能力。
• 采用两种监督模型将情感得分映射为预测的投票意向百分比，以YouGov发布的民意调查数据作为真实标签。

实验结果

研究问题

• RQ1 Twitter情感是否可被可靠地用于推断全国范围的投票意向趋势？
• RQ2 同义词增强的引入如何影响从社交媒体推断投票意向的准确性？
• RQ3 考虑词性标注的情感分析方法是否优于不考虑词性标注的方法？
• RQ4 与实际民意调查相比，预测的投票意向百分比具有多大的统计显著性？
• RQ5 不同情感提取技术在平均绝对误差（MAE）方面表现如何比较？

主要发现

• SPOSW方法通过为推文引入同义词，实现了最低的平均绝对误差4.34% ± 2.13%。
• 该性能具有统计显著性，表明模型能可靠预测官方民意调查趋势。
• SnPOS与SPOS方法表现较差，且未达到统计显著性。
• 引入同义词增强显著提升了推断准确性，表明增强语义理解可放大推文中的政治信号。
• 阈值处理在某些情况下提升了性能，但效果不一致，表明其并非普遍有益。
• 结果表明，社交媒体内容确实蕴含政治意见信号，尤其在提升语义丰富度后更为明显。