[论文解读] Fuzzy Based Implicit Sentiment Analysis on Quantitative Sentences

Amir Hossein Yazdavar, Monireh Ebrahimi+1 more|arXiv (Cornell University)|Jan 3, 2017

Sentiment Analysis and Opinion Mining被引用 12

一句话总结

本文提出了一种基于模糊逻辑的知识工程模型，用于定量药物评论中隐式情感分析，特别关注与理想值偏离的情况。通过利用模糊集合理论来解释暗示情感的客观陈述，该方法实现了超过72%的F1分数，表明在药物意见挖掘系统中整合此类客观意见性陈述可显著提升情感分析的准确性。

ABSTRACT

With the rapid growth of social media on the web, emotional polarity computation has become a flourishing frontier in the text mining community. However, it is challenging to understand the latest trends and summarize the state or general opinions about products due to the big diversity and size of social media data and this creates the need of automated and real time opinion extraction and mining. On the other hand, the bulk of current research has been devoted to study the subjective sentences which contain opinion keywords and limited work has been reported for objective statements that imply sentiment. In this paper, fuzzy based knowledge engineering model has been developed for sentiment classification of special group of such sentences including the change or deviation from desired range or value. Drug reviews are the rich source of such statements. Therefore, in this research, some experiments were carried out on patient's reviews on several different cholesterol lowering drugs to determine their sentiment polarity. The main conclusion through this study is, in order to increase the accuracy level of existing drug opinion mining systems, objective sentences which imply opinion should be taken into account. Our experimental results demonstrate that our proposed model obtains over 72 percent F1 value.

研究动机与目标

• 解决在药物评论中识别不包含显式情感词汇的客观定量句子中隐式情感的挑战。
• 通过整合蕴含情感的客观陈述，提升现有药物意见挖掘系统的准确性。
• 开发一种基于模糊逻辑的知识工程模型，能够对缺乏显式意见词汇的句子进行情感极性分类。
• 在真实世界中对降胆固醇药物患者评论的评估中，检验所提模型的有效性。
• 证明情感分析系统可通过分析蕴含主观意见的客观陈述而获得显著收益。

提出的方法

• 所提模型使用模糊集合理论来表示和推理定量医学陈述中的语言术语，如'高'、'低'、'正常'和'异常'。
• 基于对药物副作用和理想治疗范围的领域特定理解，构建模糊规则知识库。
• 通过预定义区间的隶属函数，将数值（如胆固醇水平）映射到语言术语。
• 通过模糊推理评估数值偏离目标范围的程度，从而推断情感极性（正面、负面或中性）。
• 系统处理包含定量数据（如'my LDL was 160'）的患者评论，并根据其与理想范围的偏离程度分类情感。
• 模糊逻辑能够有效处理自然语言表达定量健康数据时固有的不确定性和不精确性。

实验结果

研究问题

• RQ1 基于模糊逻辑的模型能否有效分类不包含显式情感词汇的客观定量句子中的情感？
• RQ2 在药物意见挖掘系统中，包含蕴含情感的客观陈述在多大程度上能提升整体性能？
• RQ3 模糊推理系统在多大程度上能准确检测通过数值描述的患者报告药物副作用中的情感？
• RQ4 领域特定的模糊规则工程对医学评论数据中情感分类有何影响？
• RQ5 基于模糊集的知识工程方法是否能在定量医学文本的隐式情感分析中优于传统情感分析方法？

主要发现

• 所提的基于模糊的模型在定量药物评论情感分类任务中，F1分数超过72%。
• 包含蕴含情感的客观陈述显著提升了药物评论领域情感分析系统的性能。
• 模糊逻辑有效捕捉了如'my cholesterol was too high'或'it dropped below normal'等定量陈述的语义细微差别。
• 该模型在处理数值健康数据的模糊和主观语言表达方面表现出强健性。
• 结果证实，情感分析系统可通过分析蕴含意见的客观陈述而受益，尤其在临床和制药领域。
• 本研究表明，仅关注主观句子的传统情感分析方法可能遗漏定量数据中蕴含的关键情感信号。