[论文解读] JU_KS@SAIL_CodeMixed-2017: Sentiment Analysis for Indian Code Mixed Social Media Texts

Kamal Sarkar|arXiv (Cornell University)|Feb 15, 2018

Sentiment Analysis and Opinion Mining参考文献 12被引用 8

一句话总结

本论文提出了一种用于印度语码混杂社交媒体文本的情感分析系统，采用多项式朴素贝叶斯结合n-gram与SentiWordnet特征。该系统在SAIL-2017共享任务中获得第三名，该任务聚焦于印地语-英语与孟加拉语-英语语码混杂文本的情感分析，展现了在极少使用语言特异性情感资源情况下的优异性能。

ABSTRACT

This paper reports about our work in the NLP Tool Contest @ICON-2017, shared task on Sentiment Analysis for Indian Languages (SAIL) (code mixed). To implement our system, we have used a machine learning algo-rithm called Multinomial Naïve Bayes trained using n-gram and SentiWordnet features. We have also used a small SentiWordnet for English and a small SentiWordnet for Bengali. But we have not used any SentiWordnet for Hindi language. We have tested our system on Hindi-English and Bengali-English code mixed social media data sets released for the contest. The performance of our system is very close to the best system participated in the contest. For both Bengali-English and Hindi-English runs, our system was ranked at the 3rd position out of all submitted runs and awarded the 3rd prize in the contest.

研究动机与目标

• 开发一种用于印地语-英语与孟加拉语-英语语码混杂社交媒体文本的情感分析系统。
• 应对低资源、多语言混合社交媒体内容中情感分类的挑战。
• 评估在多语言环境下，结合n-gram特征与跨语言情感词典的有效性。
• 在极少使用语言特异性情感资源的前提下，实现具有竞争力的性能。
• 为印度语言中的语码混杂情感分析贡献一种轻量级且高效解决方案。

提出的方法

• 采用多项式朴素贝叶斯作为核心分类算法。
• 使用n-gram特征以捕捉语码混杂文本中的局部词汇与句法模式。
• 整合一个小型英文SentiWordnet与一个小型孟加拉语SentiWordnet进行情感打分。
• 未使用任何印地语SentiWordnet，而是依赖于从英文与孟加拉语资源进行的跨语言迁移。
• 在两个基准数据集上进行系统训练与评估：印地语-英语与孟加拉语-英语语码混杂社交媒体文本。
• 将n-gram特征与情感词典的得分相结合，以提升分类准确率。

实验结果

研究问题

• RQ1 在语码混杂情感分析中，结合n-gram与SentiWordnet特征的多项式朴素贝叶斯分类器效果如何？
• RQ2 来自相关印度语言的跨语言情感词典是否能提升在低资源语码混杂文本上的性能？
• RQ3 缺乏印地语SentiWordnet对印地语-英语语码混杂数据性能有何影响？
• RQ4 在多语言语码混杂设置下，仅使用极少语言特异性情感资源能达到何种性能水平？
• RQ5 该系统与SAIL-2017共享任务中的最先进方法相比表现如何？

主要发现

• 该系统在SAIL-2017共享任务中获得第三名，该任务聚焦于印度语码混杂社交媒体文本的情感分析。
• 在印地语-英语与孟加拉语-英语语码混杂数据集上均表现优异，两个赛道均排名第三。
• 结合n-gram特征与英文及孟加拉语SentiWordnet显著提升了分类准确率。
• 系统表明，即使对语言特异性情感词典的依赖极小，也能在多语言语码混杂设置中取得良好结果。
• 缺乏印地语SentiWordnet并未显著降低性能，表明英文与孟加拉语资源的跨语言迁移具有有效性。
• 结果证实，在低资源、语码混杂的自然语言处理任务中，结合传统n-gram特征与轻量级情感词典具有显著有效性。