[论文解读] Using Self-Organizing Maps for Sentiment Analysis

Anuj Sharma, Shubhamoy Dey|arXiv (Cornell University)|Sep 16, 2013

Sentiment Analysis and Opinion Mining参考文献 20被引用 10

一句话总结

本文提出使用自组织映射（SOM）进行在线评论的情感分析，结合了无监督与有监督学习方法——具体而言，采用无监督SOM进行情感可视化与分类，以及使用学习向量量化（LVQ）进行有监督分类。在电影评论数据集上的实验结果表明，SOM能有效分类情感极性，并实现直观的情感聚类可视化。

ABSTRACT

Web 2.0 services have enabled people to express their opinions, experience and feelings in the form of user-generated content. Sentiment analysis or opinion mining involves identifying, classifying and aggregating opinions as per their positive or negative polarity. This paper investigates the efficacy of different implementations of Self-Organizing Maps (SOM) for sentiment based visualization and classification of online reviews. Specifically, this paper implements the SOM algorithm for both supervised and unsupervised learning from text documents. The unsupervised SOM algorithm is implemented for sentiment based visualization and classification tasks. For supervised sentiment analysis, a competitive learning algorithm known as Learning Vector Quantization is used. Both algorithms are also compared with their respective multi-pass implementations where a quick rough ordering pass is followed by a fine tuning pass. The experimental results on the online movie review data set show that SOMs are well suited for sentiment based classification and sentiment polarity visualization.

研究动机与目标

• 评估自组织映射（SOM）在分类用户生成在线内容情感极性方面的有效性。
• 研究无监督SOM在文本数据中可视化情感聚类的潜力。
• 对比基于学习向量量化（LVQ）的有监督学习与多轮次实现方法在情感分类中的表现，以提升分类性能。
• 评估基于SOM的方法在标准电影评论数据集上与传统方法的性能表现。
• 展示SOM在情感分类与极性可视化两方面的实用性。

提出的方法

• 本文实现了一种无监督SOM算法，基于情感特征将文本文档映射到低维网格中，从而实现对正面与负面观点的可视化聚类。
• 针对有监督情感分析，应用了学习向量量化（LVQ）算法，该算法对SOM进行改进，以将文档分类到预定义的情感类别中。
• 采用多轮次实现方法，包括初始粗排序阶段与后续微调阶段，以提升收敛速度与分类准确率。
• 在输入SOM与LVQ模型前，使用标准自然语言处理技术对文本文档进行预处理与向量化。
• 通过竞争学习机制迭代更新SOM的权重向量，其中最佳匹配单元被调整以更好地表示输入数据。
• 最终的情感分类与可视化结果在公开可用的在线电影评论数据集上进行评估。

实验结果

研究问题

• RQ1 无监督自组织映射能否有效可视化在线评论中的情感极性？
• RQ2 基于LVQ的有监督SOM在情感分类中的表现与标准SOM相比如何？
• RQ3 与单轮次训练相比，SOM的多轮次实现是否能提升情感分类准确率？
• RQ4 SOM在多大程度上实现了对正面与负面观点的可解释性聚类？
• RQ5 基于SOM的方法在分类用户生成内容的情感方面，与传统方法相比表现如何？

主要发现

• 无监督SOM成功可视化了情感聚类，在映射图中清晰显示出正面与负面评论的空间分离。
• 基于LVQ的有监督方法分类准确率高于标准SOM，证明了使用标注训练数据的优势。
• 多轮次实现提升了收敛性与分类性能，尤其在微调阶段表现显著。
• SOM有效捕捉了情感极性模式，实现了对观点分布的直观解读。
• 结果证实SOM在情感分类与在线评论的可视化分析方面均具有高度适用性。
• 该方法在标准电影评论数据集上表现出稳健性，支持其在真实世界情感分析任务中的应用。