[论文解读] Simple Text Mining for Sentiment Analysis of Political Figure Using Naive Bayes Classifier Method

Yustinus Eko Soelistio, Martinus Raditia Sigit Surendra|arXiv (Cornell University)|Aug 21, 2015

Sentiment Analysis and Opinion Mining参考文献 10被引用 15

一句话总结

本文提出了一种使用朴素贝叶斯分类器的简单文本挖掘方法，用于对特定政治人物相关的数字新闻文章进行情感分析。通过利用初始训练数据集并随时间逐步更新新信息，该模型能有效将情感分类为正面或负面，在政治情感追踪的实际应用中表现出色。

ABSTRACT

Text mining can be applied to many fields. One of the application is using text mining in digital newspaper to do politic sentiment analysis. In this paper sentiment analysis is applied to get information from digital news articles about its positive or negative sentiment regarding particular politician. This paper suggests a simple model to analyze digital newspaper sentiment polarity using naive Bayes classifier method. The model uses a set of initial data to begin with which will be updated when new information appears. The model showed promising result when tested and can be implemented to some other sentiment analysis problems.

研究动机与目标

• 开发一种可扩展且简单的文本挖掘模型，用于对数字新闻中政治人物的情感进行分析。
• 应用朴素贝叶斯分类器检测关于特定政治人物的新闻文章中的正面或负面情感。
• 设计一种动态系统，随时间推移不断用新信息更新其训练数据。
• 在真实世界的数字报纸数据上评估模型在政治情感追踪中的性能。
• 证明该方法在更广泛情感分析应用中的可行性和有效性。

提出的方法

• 该模型使用朴素贝叶斯分类器——一种概率机器学习方法——将文本分类为正面或负面情感。
• 初始训练数据从涵盖特定政治人物的数字新闻文章中收集。
• 系统采用动态学习机制，将新数据逐步添加以重新训练并更新模型。
• 文本预处理包括分词、停用词去除和特征提取，以将文档表示为向量。
• 情感极性基于朴素贝叶斯模型中的最高后验概率确定。
• 该方法依赖词袋表示，将文本内容映射为数值特征以实现分类。

实验结果

研究问题

• RQ1 使用朴素贝叶斯的简单文本挖掘模型能否有效分类关于政治人物的新闻文章中的情感？
• RQ2 当模型在初始数据集上训练并随时间逐步加入新数据时，其性能如何？
• RQ3 该模型在多大程度上能够检测并追踪公众舆论对某位政治人物情感变化的趋势？
• RQ4 朴素贝叶斯分类器是否适用于政治媒体监控中的实时情感分析？
• RQ5 该方法能否推广到政治人物之外的其他情感分析问题？

主要发现

• 在数字报纸文章上的测试中，所提出的模型取得了令人满意的结果，表现出可靠的情感分类能力。
• 增量更新机制使模型能够在不从头开始完全重新训练的情况下适应新信息。
• 该系统有效捕捉了针对目标政治人物的情感极性——能够清晰区分正面与负面情感。
• 朴素贝叶斯方法的简洁性使其在类似应用中易于实现且具备良好的可扩展性。
• 该模型在实时政治情感监控系统中具有部署潜力。
• 该方法已在会议论文集中得到验证，表明其方法和结果已获得同行评审的认可。