[論文レビュー] Using Self-Organizing Maps for Sentiment Analysis

Anuj Sharma, Shubhamoy Dey|arXiv (Cornell University)|Sep 16, 2013

Sentiment Analysis and Opinion Mining参考文献 20被引用数 10

ひとこと要約

本稿では、オンラインレビューにおけるセンチメント分析に自己組織化マップ（SOM）を用いることを提案し、非教師ありおよび教師あり学習の両方のアプローチを適用している。具体的には、非教師ありSOMを用いたセンチメント可視化と分類、および教師あり分類のための学習ベクトル量子化（LVQ）を用いている。映画レビューのデータセットを用いた実験結果から、SOMはセンチメント極性を効果的に分類でき、意見の直感的な可視化クラスタリングを可能にした。

ABSTRACT

Web 2.0 services have enabled people to express their opinions, experience and feelings in the form of user-generated content. Sentiment analysis or opinion mining involves identifying, classifying and aggregating opinions as per their positive or negative polarity. This paper investigates the efficacy of different implementations of Self-Organizing Maps (SOM) for sentiment based visualization and classification of online reviews. Specifically, this paper implements the SOM algorithm for both supervised and unsupervised learning from text documents. The unsupervised SOM algorithm is implemented for sentiment based visualization and classification tasks. For supervised sentiment analysis, a competitive learning algorithm known as Learning Vector Quantization is used. Both algorithms are also compared with their respective multi-pass implementations where a quick rough ordering pass is followed by a fine tuning pass. The experimental results on the online movie review data set show that SOMs are well suited for sentiment based classification and sentiment polarity visualization.

研究の動機と目的

• ユーザー生成のオンラインコンテンツにおけるセンチメント極性を分類するための自己組織化マップ（SOM）の有効性を評価すること。
• テキストデータにおけるセンチメントクラスタの可視化を目的とした非教師ありSOMの検討。
• より良いセンチメント分類を実現するため、マルチパス実装を用いた教師あり学習（学習ベクトル量子化：LVQ）と標準的なSOMの比較。
• 標準的な映画レビューデータセットを用いて、SOMベースの手法と従来のアプローチの性能を比較すること。
• SOMがセンチメント分類および極性可視化の両面で実用的であることを示すこと。

提案手法

• 本稿では、センチメント特徴に基づいてテキストドキュメントを低次元グリッドにマップする非教師ありSOMアルゴリズムを実装し、ポジティブおよびネガティブな意見の視覚的クラスタリングを可能にした。
• 教師ありセンチメント分析のため、SOMを改良した学習ベクトル量子化（LVQ）アルゴリズムを適用し、ドキュメントを事前に定義されたセンチメントカテゴリに分類した。
• マルチパス実装を用い、初期の粗い順序付けフェーズの後、微調整フェーズを経て収束性と分類精度を向上させた。
• テキストドキュメントは、標準的な自然言語処理技術を用いて事前処理およびベクトル化され、その後SOMおよびLVQモデルに供給された。
• SOMの重みベクトルは、競争的学習を用いて反復的に更新され、入力データをよりよく表現する最適マッチングユニットが調整された。
• 最終的なセンチメント分類および可視化結果は、公に利用可能なオンライン映画レビューデータセットを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 非教師あり自己組織化マップは、オンラインレビューにおけるセンチメント極性を効果的に可視化できるか？
• RQ2 教師ありLVQベースのSOMの性能は、標準的なSOMと比較して、センチメント分類において優れているか？
• RQ3 SOMのマルチパス実装は、単一パス学習と比較して、センチメント分類の正確性を向上させるか？
• RQ4 SOMは、テキストデータにおけるポジティブおよびネガティブな意見の解釈可能なクラスタリングをどの程度可能にするか？
• RQ5 SOMベースのアプローチは、ユーザー生成コンテンツからのセンチメント分類において、従来の手法と比較して優れているか？

主な発見

• 非教師ありSOMは、マップ上でポジティブとネガティブのレビューの間に明確な空間的分離が見られるように、センチメントクラスタを効果的に可視化した。
• 教師ありLVQベースのアプローチは、標準的なSOMよりも高い分類精度を達成し、ラベル付き学習データの利点を示した。
• マルチパス実装により収束性と分類性能が向上し、特に微調整フェーズで顕著な改善が見られた。
• SOMはセンチメント極性のパターンを効果的に捉え、意見の分布の直感的な解釈を可能にした。
• 結果から、SOMがオンラインレビューのセンチメント分類および視覚的分析の両面で適していることが確認された。
• 本手法は標準的な映画レビューデータセットにおいても頑健な性能を示し、実世界のセンチメント分析タスクへの応用可能性を裏付けた。