[论文解读] Sentiment Analysis Using Collaborated Opinion Mining

Deepali Virmani, Vikrant Malhotra+1 more|arXiv (Cornell University)|Jan 12, 2014

Sentiment Analysis and Opinion Mining参考文献 12被引用 17

一句话总结

本文提出了一种协作式意见挖掘框架，整合了情感分析、意见抽取和摘要生成，以分析教师对学生评价的反馈。通过改进现有算法，该方法将情感极性划分为五个等级——极高、高、中等、低和极低，展示了在教育案例研究中意见追踪与表征的改进效果。

ABSTRACT

Opinion mining and Sentiment analysis have emerged as a field of study since the widespread of World Wide Web and internet. Opinion refers to extraction of those lines or phrase in the raw and huge data which express an opinion. Sentiment analysis on the other hand identifies the polarity of the opinion being extracted. In this paper we propose the sentiment analysis in collaboration with opinion extraction, summarization, and tracking the records of the students. The paper modifies the existing algorithm in order to obtain the collaborated opinion about the students. The resultant opinion is represented as very high, high, moderate, low and very low. The paper is based on a case study where teachers give their remarks about the students and by applying the proposed sentiment analysis algorithm the opinion is extracted and represented.

研究动机与目标

• 开发一种协作框架，将情感分析与意见抽取及摘要生成相结合，用于教育反馈。
• 通过将情感极性划分为五个明确的极性等级，改善学生评价的表征效果。
• 解决在教育环境中解读非结构化教师评语的挑战。
• 通过自动化情感分类，实现对学生表现记录的系统性追踪与分析。
• 利用包含教师整理的学生评语的真实案例研究验证该方法。

提出的方法

• 所提出的方法将意见挖掘与情感分析相结合，从非结构化的教师评语中提取并分类意见。
• 通过修改现有算法，支持在多个意见来源之间进行协作分析。
• 情感极性被划分为五个离散等级：极高、高、中等、低和极低。
• 该框架包含一个摘要模块，可将反馈浓缩为连贯的情感表征。
• 通过真实教师评语开展案例研究，以评估系统的性能与一致性。
• 该方法利用自然语言处理技术识别承载意见的短语，并分配情感得分。

实验结果

研究问题

• RQ1 如何通过意见抽取与摘要生成的协作，提升教育反馈中的情感分析效果？
• RQ2 使用五级情感极性量表，能够实现多细粒度的情感分类？
• RQ3 所提出的框架能否有效追踪并表征来自非结构化教师评语的学生意见？
• RQ4 与传统情感分析方法相比，改进后的算法在意见表征方面有何提升？
• RQ5 该框架在实际教育记录管理系统中的可行性如何？

主要发现

• 所提出的框架成功地将教师评语中的情感划分为五个明确的极性等级：极高、高、中等、低和极低。
• 意见抽取、摘要生成与情感分析的整合，提升了学生反馈的可解释性与一致性。
• 案例研究证明了该系统在长期追踪学生表现记录方面的可行性。
• 改进后的算法通过将多个反馈源的信息整合为统一的情感得分，增强了意见表征效果。
• 该系统为分析大规模非结构化教育评语提供了一种结构化且可扩展的解决方案。
• 结果表明，协作式意见挖掘相比孤立的情感分析，能生成更可靠且更细致的情感表征。