[论文解读] Sentiment Analysis of Arabic Tweets: Feature Engineering and A Hybrid Approach

Nora Al-Twairesh, Hend S. Al‐Khalifa+2 more|arXiv (Cornell University)|May 22, 2018

Sentiment Analysis and Opinion Mining参考文献 27被引用 27

一句话总结

本文提出了一种针对沙特阿拉伯语推文的混合情感分析方法，结合了人工设计的语言特征与语料库和词典基础的分类模型。通过在嘈杂、非正式的社交媒体文本上进行特征选择和集成建模，该方法在两分类、三分类和四分类情感分类任务中分别取得了69.9、61.63和55.07的F1分数。

ABSTRACT

Sentiment Analysis in Arabic is a challenging task due to the rich morphology of the language. Moreover, the task is further complicated when applied to Twitter data that is known to be highly informal and noisy. In this paper, we develop a hybrid method for sentiment analysis for Arabic tweets for a specific Arabic dialect which is the Saudi Dialect. Several features were engineered and evaluated using a feature backward selection method. Then a hybrid method that combines a corpus-based and lexicon-based method was developed for several classification models (two-way, three-way, four-way). The best F1-score for each of these models was (69.9,61.63,55.07) respectively.

研究动机与目标

• 解决阿拉伯语情感分析的挑战，特别是针对非正式且词形丰富的沙特阿拉伯语推文文本。
• 克服社交媒体内容中固有的噪声和语言复杂性，尤其是在沙特阿拉伯语中。
• 开发一种针对方言阿拉伯语的鲁棒情感分类系统，采用混合建模方法。
• 评估并优化一系列语言学和统计特征，以实现情感预测。
• 通过特征选择和多种分类策略的整合，提升分类性能。

提出的方法

• 人工构建了一套全面的语言学特征，包括n-gram、词性标注和情感词典得分。
• 应用反向特征选择法，识别对情感分类最具预测力的特征。
• 将基于语料库的方法（使用标注数据进行监督机器学习）与基于词典的方法（字典驱动的情感评分）相结合。
• 在两分类、三分类和四分类情感标注方案下，评估多种分类模型（如SVM、朴素贝叶斯）。
• 通过集成平均法整合基于语料库和基于词典的模型输出，以提高鲁棒性。
• 使用公开可用的手动标注沙特阿拉伯语推文数据集进行训练和评估。

实验结果

研究问题

• RQ1 在嘈杂、非正式的沙特阿拉伯语推文中，哪些人工设计的特征对情感分类最为有效？
• RQ2 与独立方法相比，结合基于语料库和基于词典的方法在情感分类性能上有哪些提升？
• RQ3 在方言阿拉伯语情感分析中，特征集大小与分类准确率之间应如何达到最优平衡？
• RQ4 不同的情感标注方案（两分类、三分类、四分类）如何影响阿拉伯语推文模型的性能？
• RQ5 在低资源、词形丰富的语言环境下，混合建模方法是否能优于传统的单一方法？

主要发现

• 混合方法在两分类情感分析（正面 vs. 负面）中取得了最高的F1分数69.9。
• 三分类模型（正面、负面、中性）的F1分数达到61.63，表明在平衡的情感类别上表现强劲。
• 四分类模型（包含混合或其它情感）的F1分数为55.07，表明在区分更细粒度情感类别方面仍具挑战。
• 反向特征选择显著提升了模型性能，通过剔除冗余或噪声特征。
• 词典基与语料基模型的整合增强了鲁棒性，尤其在处理未登录词和罕见词形变化方面表现更优。
• 本研究证实，针对阿拉伯语词形变化和社交媒体方言量身定制的特征工程对实现有效情感分析至关重要。