[论文解读] 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 5

一句话总结

本篇全面综述回顾了文本、语音、图像和视频中的情感分析（SA），涵盖任务（文档级、句子级、方面级）、方法（基于词典、机器学习、深度学习）以及在社交媒体、医疗保健、政治和金融等领域的应用。它识别出讽刺、习语、多语言性以及语篇结构等关键挑战，并突出 BERT 和预训练嵌入作为最先进解决方案，为自然语言处理和机器学习领域的研究人员提供了结构化的研究路线图。

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}

研究动机与目标

• 提供对文本、语音、图像和视频中情感分析任务的系统性综述。
• 分析并比较情感分析中基于词典、机器学习和深度学习方法的异同。
• 识别情感分类中的关键挑战，如讽刺、习语、多语言性以及语篇结构。
• 评估最先进的模型（如 BERT 和预训练嵌入）在不同领域中的性能与适用性。
• 通过总结高被引文献、开放问题和自然语言处理与情感分析的未来研究方向，为新研究者提供指导。

提出的方法

• 本文对2000年至2020年的情感分析研究进行了全面的文献综述，重点关注2311.11250及相关工作。
• 它将情感分析划分为三个层次：文档级、句子级和方面级，每一层次具有不同的分类目标。
• 该综述将情感分析技术分为两大类：基于词典的方法（词典基础与语料库基础）和机器学习方法（监督式、无监督式、半监督式）。
• 它评估了如 BERT 等深度学习模型，该模型使用双向 Transformer 架构以生成上下文相关的词表示。
• 本文利用预训练嵌入（例如来自 Google News 和 IMDB 数据集的嵌入）进行性能分析，并评估其在特定领域中的有效性。
• 它讨论了 VADER 等基于规则的工具在处理低资源或小规模情感分类任务中的作用。

实验结果

研究问题

• RQ1 情感分析的主要任务和层次是什么？它们在应用和复杂性方面有何不同？
• RQ2 基于词典、机器学习和深度学习的方法在不同数据类型中的性能和适应性如何比较？
• RQ3 情感分析中的主要挑战有哪些，包括讽刺、习语、多语言性以及语篇结构？
• RQ4 预训练模型（如 BERT 和词嵌入）在处理特定领域和低资源情感分类任务时的有效性如何？
• RQ5 情感分析的主要应用领域有哪些？哪些模型最适合每个应用领域？

主要发现

• 从2011年到2020年，情感分析研究论文数量显著增长，反映出工业4.0和社交媒体的兴起。
• 方面级情感分析通过将意见与具体产品特征（如餐厅评论中的“食物”）关联，提供更细致的洞察。
• BERT 和其他基于 Transformer 的模型通过捕捉双向上下文信息，优于传统方法，但计算开销较大。
• 在大规模语料库（如1000亿词）上预训练的词嵌入在领域匹配数据上表现强劲，但在领域外或低资源文本上性能下降。
• 讽刺和习语仍是重大挑战，因为它们依赖于上下文和隐喻性语言，传统模型难以正确理解。
• 多语言情感分析尤其困难，原因包括语言多样性、缺乏标准化工具，以及情感表达无法实现完美翻译。