[论文解读] SlangSD: Building and Using a Sentiment Dictionary of Slang Words for Short-Text Sentiment Classification

Liang Wu, Fred Morstatter+1 more|arXiv (Cornell University)|Aug 17, 2016

Sentiment Analysis and Opinion Mining参考文献 17被引用 21

一句话总结

本文提出了 SlangSD，这是首个公开可用的俚语情感词典，通过利用 Urban Dictionary 和现有的情感词典，大规模自动推断俚语的情感极性。通过将 SlangSD 集成到 SentiStrength 情感分析工具中，作者显著提升了性能——尤其在检测短篇、非正式文本中的负面情感方面表现突出，证明了其在实际应用中的有效性与易集成性。

ABSTRACT

Sentiment in social media is increasingly considered as an important resource for customer segmentation, market understanding, and tackling other socio-economic issues. However, sentiment in social media is difficult to measure since user-generated content is usually short and informal. Although many traditional sentiment analysis methods have been proposed, identifying slang sentiment words remains untackled. One of the reasons is that slang sentiment words are not available in existing dictionaries or sentiment lexicons. To this end, we propose to build the first sentiment dictionary of slang words to aid sentiment analysis of social media content. It is laborious and time-consuming to collect and label the sentiment polarity of a comprehensive list of slang words. We present an approach to leverage web resources to construct an extensive Slang Sentiment word Dictionary (SlangSD) that is easy to maintain and extend. SlangSD is publicly available for research purposes. We empirically show the advantages of using SlangSD, the newly-built slang sentiment word dictionary for sentiment classification, and provide examples demonstrating its ease of use with an existing sentiment system.

研究动机与目标

• 解决缺乏包含俚语词汇的情感词典的问题，这些词汇在社交媒体等短篇、非正式用户生成内容中普遍存在。
• 开发一种可扩展、可维护的方法，自动为俚语词汇分配情感极性，而无需依赖人工标注。
• 创建一个公开可用、可扩展的俚语情感词典，可轻松集成到现有情感分析系统中。
• 通过实证验证该俚语情感词典在提升真实世界短文本数据集上情感分类性能方面的实用性。
• 证明俚语词汇，尤其是来自讽刺或非正式来源（如 Urban Dictionary）的词汇，在识别负面情感方面尤其有效。

提出的方法

• 将 Urban Dictionary 作为主要来源，收集俚语词汇和短语，利用其全面、由社区维护的非正式语言数据库。
• 利用现有的情感词典（如 SentiStrength、SentiWordNet）以及 Urban Dictionary 中的同义词映射，通过类似迁移学习的方法推断俚语词汇的情感极性。
• 应用基于规则且上下文感知的评分机制，通过分析与已知情感词汇的共现模式及句法相似性，估算情感强度。
• 将生成的 SlangSD 词典作为额外的词典层集成到 SentiStrength 情感分析系统中，替代或补充其默认词表。
• 采用一对一（one-vs-all）评估协议，在包含俚语的语料库上比较性能，测量正面和负面情感的精确率、召回率与 F1 分数。
• 通过定期更新和社区反馈持续维护与扩展该词典，确保其长期相关性与覆盖范围。

实验结果

研究问题

• RQ1 大规模自动构建的俚语情感词典是否能提升短篇非正式文本中的情感分类性能？
• RQ2 与传统情感词典相比，SlangSD 在识别俚语词汇情感极性方面有多高效？
• RQ3 SlangSD 的集成是否显著提升了现有情感分析工具在真实世界短文本数据上的性能？
• RQ4 来自讽刺或非正式来源（如 Urban Dictionary）的俚语词汇是否在识别负面情感方面比正面情感更有效？
• RQ5 SlangSD 在不需模型微调的情况下，能在多大程度上轻松集成到现有情感分析流程中？

主要发现

• SlangSD 包含 96,462 个俚语词汇和短语，并分配了情感得分，是同类中首个全面的俚语情感词典。
• 当集成到 SentiStrength 中时，增强版模型（SentiStrength${}_{\text{SSD}}$）在负面推文上的 F1 分数达到 91.19%，显著优于基线模型 SentiStrength（71.06%）。
• 在短信消息中，与基线相比，SentiStrength${}_{\text{SSD}}$ 在正面和负面情感任务上的召回率均提升超过 50%，分别达到 75.51% 和 88.14%。
• 性能提升在负面情感方面最为显著，表明 SlangSD 在识别非正式内容中常见的讽刺或戏谑表达方面尤为有效。
• SlangSD 的集成仅需配置更改，无需重新训练，证明其在现有情感分析系统中具备即插即用的实用性。
• 结果证实，利用像 Urban Dictionary 这类基于网络的俚语资源，并结合自动化极性推断，可实现可扩展、高覆盖率的情感词典构建，并带来显著的实证收益。