[论文解读] A Classification of Adjectives for Polarity Lexicons Enhancement

Silvia Rodríguez Vázquez, Núria Bel|arXiv (Cornell University)|Mar 8, 2013

Sentiment Analysis and Opinion Mining参考文献 11被引用 8

一句话总结

本文提出了一种针对形容词的领域感知分类方法，将其划分为依赖领域和不依赖领域的类别，并进一步根据主观性程度（恒定、混合、高度主观）进行细分，以增强情感词典在情感分析中的表现。通过分析形容词在不同领域中的情感极性变化，作者证明了领域特定的情感标注能显著提升情感分类的准确率，为静态词典提供了一种更细致的替代方案。

ABSTRACT

Subjective language detection is one of the most important challenges in Sentiment Analysis. Because of the weight and frequency in opinionated texts, adjectives are considered a key piece in the opinion extraction process. These subjective units are more and more frequently collected in polarity lexicons in which they appear annotated with their prior polarity. However, at the moment, any polarity lexicon takes into account prior polarity variations across domains. This paper proves that a majority of adjectives change their prior polarity value depending on the domain. We propose a distinction between domain dependent and domain independent adjectives. Moreover, our analysis led us to propose a further classification related to subjectivity degree: constant, mixed and highly subjective adjectives. Following this classification, polarity values will be a better support for Sentiment Analysis.

研究动机与目标

• 解决静态情感词典无法考虑形容词在不同领域中情感极性变化的局限性。
• 识别并基于其对领域上下文的敏感度对形容词进行分类。
• 通过引入针对形容词的领域感知情感标注，提升情感分析的性能。
• 提出一种精细化的分类体系，以区分恒定、混合和高度主观的形容词。

提出的方法

• 从多个领域标注形容词的情感值（正面、负面、中性），以检测情感极性变化。
• 将形容词分类为领域无关（情感极性在各领域保持一致）和领域相关（情感极性随领域变化）两类。
• 进一步根据主观性程度进行分类：恒定（主观性稳定）、混合（主观性变化）、高度主观（高度依赖上下文）。
• 使用多领域数据集通过人工和统计分析验证分类结果。
• 将优化后的分类体系整合到情感词典中，以支持更准确的情感分类。

实验结果

研究问题

• RQ1 形容词的情感极性在不同领域中如何变化，其默认情感极性在多大程度上会发生偏移？
• RQ2 有多少比例的形容词表现出领域相关的情感极性行为，又有多少表现出领域无关的行为？
• RQ3 主观性程度（恒定、混合、高度主观）与情感极性在不同领域中的稳定性之间有何关联？
• RQ4 对形容词进行领域感知分类是否能提升情感分析系统的性能？

主要发现

• 大多数形容词表现出领域相关的情感极性，即其情感值会因上下文或领域不同而改变。
• 领域无关的形容词在各领域中情感极性相对稳定，而领域相关的形容词则表现出显著的情感极性偏移。
• 将形容词划分为恒定、混合和高度主观三类，揭示了主观性行为在不同领域中的显著差异。
• 所提出的分类方法通过在词典中实现上下文敏感的情感赋值，显著提升了情感分析的准确性。
• 研究表明，由于未考虑领域效应，静态情感词典在鲁棒情感分析中表现不足。
• 结果支持将领域感知的形容词分类整合到情感分析流程中，以提升系统准确性。