Cambria and Havasi have introduced

Cambria and Havasi have introduced SenticNet 2 in [115].
They developed SenticNet 2; a publicly available semantic and
affective resource for opinion mining and sentiment analysis;
in order to bridge the cognitive and affective gap between
word-level natural language data and the concept-level sentiments
conveyed by them. Their system was built by means
of sentic computing which is a new paradigm that exploits
both Artificial Intelligence and SemanticWeb. They showed
that their system can easily be embedded in real-world applications
in order to effectively combine and compare structured
and unstructured information.
Concept-level sentiment analysis systems have been used in
other applications like e-health. This includes patients’ opinion
analysis [116] and crowd validation [117].
5. Related fields to sentiment analysis
There are some topics that work under the umbrella of SA and
have attracted the researchers recently. In the next subsection,
three of these topics are presented in some details with related
articles.
5.1. Emotion detection
Sentiment analysis is sometimes considered as an NLP task for
discovering opinions about an entity; and because there is
some ambiguity about the difference between opinion, sentiment
and emotion, they defined opinion as a transitional concept
that reflects attitude towards an entity. The sentiment
reflects feeling or emotion while emotion reflects attitude [1].It was argued by Plutchik [102] that there are eight basic
and prototypical emotions which are joy, sadness, anger, fear,
trust, disgust, surprise, and anticipation. Emotions Detection
(ED) can be considered a SA task. SA is concerned mainly
in specifying positive or negative opinions, but ED is
concerned with detecting various emotions from text. As a
Sentiment Analysis task, ED can be implemented using ML
approach or Lexicon-based approach, but Lexicon-based
approach is more frequently used.
ED on a sentence level was proposed by Lu and Lin [13].
They proposed a web-based text mining approach for detecting
emotion of an individual event embedded in English sentences.
Their approach was based on the probability
distribution of common mutual actions between the subject
and the object of an event. They integrated web-based text
mining and semantic role labeling techniques, together with a
number of reference entity pairs and hand-crafted emotion
generation rules to recognize an event emotion detection
system. They did not use any large-scale lexical sources or
knowledge base. They showed that their approach revealed a
satisfactory result for detecting the positive, negative and neutral
emotions. They proved that the emotion sensing problem
is context-sensitive.
Using both ML and Lexicon-based approach was presented
by Balahur et al. [45]. They proposed a method based on commonsense
knowledge stored in the emotion corpus (EmotiNet)
knowledge base. They said that emotions are not always
expressed by using words with an affective meaning i.e. happy,
but by describing real-life situations, which readers detect as
being related to a specific emotion. They used SVM and
SVM-SO algorithms to achieve their goal. They showed that
the approach based on EmotiNet is the most appropriate for
the detection of emotions from contexts where no affectrelated
words were present. They proved that the task of
emotion detection from texts such as the ones in the emotion
corpus ISEAR (where little or no lexical clues of affect are
present) can be best tackled using approaches based on commonsense
knowledge. They showed that by using EmotiNet,
they obtained better results compared to the methods that
employ supervised learning on a much greater training set or
lexical knowledge.
Affect Analysis (AA) is a task of recognizing emotions elicited
by a certain semiotic modality. Neviarouskaya et al. [103]
have suggested an Affect Analysis Model (AAM). Their AAM
consists of five stages: symbolic cue, syntactical structure,
word-level, phrase-level and sentence-level analysis. This
AAM was used in many applications presented in Neviarouskaya
work [104–106].
Classifying sentences using fine-grained attitude types is
another work presented by Neviarouskaya et al. [14]. They
developed a system that relied on the compositionality principle
and a novel approach dealing with the semantics of verbs in
attitude analysis. They worked on 1000 sentences from http://
www.experienceproject.com. This is a site where people share
personal experiences, thoughts, opinions, feelings, passions,
and confessions through the network of personal stories. Their
evaluation showed that their system achieved reliable results in
the task of textual attitude analysis.
Affect emotion words could be used as presented by Keshtkar
and Inkpen [42] using a corpus-based technique. In their
work, they introduced a bootstrapping algorithm based on
contextual and lexical features for identifying paraphrases
and to extract them for emotion terms, from nonparallel corpora.
They started with a small number of seeds (WordNet
Affect emotion words). Their approach learned extraction patterns
for six classes of emotions. They used annotated blogs
and other data sets as texts to extract paraphrases from them.
They worked on data from live journals blogs, text affect, fairy
tales and annotated blogs. They showed that their algorithm
achieved good performance results on their data set.
Ptaszynski et al. [50] have worked on text-based affect analysis
(AA) of Japanese narratives from Aozora Bunko. In their
research, they addressed the problem of person/character
related affect recognition in narratives. They extracted
emotion subject from a sentence based on analysis of anaphoric
expressions at first, then the affect analysis procedure
estimated what kind of emotional state each character was in
for each part of the narrative.
Studying AA in mails and books was introduced by
Mohammad [49]. He has analyzed the Enron email corpus
and proved that there were marked differences across genders
in how they use emotion words in work-place email. He
created lexicon which has manual annotations of a word’s
associations with positive/negative polarity, and the eight basic
emotions by crowd-sourcing. He used it to analyze and track
the distribution of emotion words in books and mails. He
introduced the concept of emotion word density by studying
novels and fairy tales. He proved that fairy tales had a much
wider distribution of emotional word densities than novels.

Kết quả (Việt) 1:

Cambria và Havasi đã giới thiệu SenticNet 2 trong [115].Họ đã phát triển SenticNet 2; công khai sẵn có ngữ nghĩa vàCác nguồn lực trầm cho khai thác mỏ ý kiến và phân tích tình cảm;để thu hẹp khoảng cách nhận thức và trầm giữangôn ngữ tự nhiên từ cấp dữ liệu và những tình cảm khái niệm cấpchuyển tải của họ. Hệ thống của họ được xây dựng bằng phương tiệntính toán sentic mà là một mô hình mới khai tháctrí tuệ nhân tạo và SemanticWeb. Họ đã cho thấyHệ thống của họ dễ dàng có thể được nhúng trong các ứng dụng thế giới thựcđể có hiệu quả kết hợp và so sánh cấu trúcvà không có cấu trúc thông tin.Khái niệm cấp tình cảm phân tích hệ thống đã được sử dụng trongứng dụng khác như e-sức khỏe. Điều này bao gồm bệnh nhân ý kiếnphân tích [116] và đám đông xác nhận [117].5. liên quan đến lĩnh vực để phân tích tình cảmCó một số chủ đề làm việc dưới sự bảo trợ của SA vàđã thu hút các nhà nghiên cứu mới. Trong tiểu mục tiếp theo,ba trong số các chủ đề này được trình bày trong một số chi tiết với liên quanBài viết.5.1. cảm xúc phát hiệnPhân tích tình cảm đôi khi được coi là một nhiệm vụ NLP chokhám phá các ý kiến về một thực thể; và bởi vì cómột số mơ hồ về sự khác biệt giữa ý kiến, tình cảmvà cảm xúc, họ xác định ý kiến như là một khái niệm chuyển tiếpmà phản ánh Thái độ đối với một thực thể. Tình cảmphản ánh cảm giác hoặc cảm xúc trong khi cảm xúc phản ánh Thái độ [1].Nó được cho bởi Plutchik [102] rằng có những tám cơ bảnvà những cảm xúc nguyên mẫu đó là niềm vui, nỗi buồn, tức giận, lo sợ,sự tin tưởng, ghê tởm, bất ngờ, và dự đoán. Phát hiện những cảm xúc(ED) có thể được coi là một nhiệm vụ SA. SA là có liên quan chủ yếutrong xác định ý kiến tích cực hay tiêu cực, nhưng ED làcó liên quan với phát hiện các cảm xúc khác nhau từ văn bản. Như mộtNhiệm vụ phân tích tình cảm, ED có thể được thực hiện bằng cách sử dụng MLphương pháp tiếp cận hoặc Lexicon dựa trên phương pháp tiếp cận, nhưng dựa trên Lexiconcách tiếp cận được sử dụng thường xuyên hơn.ED trên một mức độ câu được đề xuất bởi Lu và Lin [13].Họ đề xuất một phương pháp khai thác văn bản dựa trên web để phát hiệncảm xúc của một sự kiện cá nhân nhúng trong câu tiếng Anh.Cách tiếp cận của họ dựa trên xác suấtphân phối của phổ biến hành động lẫn nhau giữa các chủ đềvà đối tượng của một sự kiện. Họ tích hợp văn bản dựa trên webkhai thác mỏ và ngữ nghĩa vai trò ghi nhãn kỹ thuật, cùng với mộtsố tham chiếu thực thể cặp và tay-crafted cảm xúcthế hệ quy tắc để nhận ra một sự kiện cảm xúc phát hiệnHệ thống. Họ đã không sử dụng bất kỳ nguồn từ vựng quy mô lớn hoặckho tàng kiến thức. Họ đã chỉ ra rằng cách tiếp cận của họ tiết lộ mộtCác kết quả thỏa đáng cho phát hiện tích cực, tiêu cực và trung lậpcảm xúc. Họ đã chứng minh rằng những cảm xúc cảm biến vấn đềlà context-sensitive.Bằng cách sử dụng cả ML và Lexicon dựa trên phương pháp tiếp cận được trình bàybởi Balahur et al. [45]. Họ đề xuất một phương pháp dựa trên commonsensekiến thức được lưu giữ trong các văn thể cảm xúc (EmotiNet)kho tàng kiến thức. Họ nói rằng những cảm xúc này không luôn luônbày tỏ bằng cách sử dụng từ với một ý nghĩa trầm tức là hạnh phúc,nhưng bằng cách mô tả tình huống cuộc sống thực, mà độc giả phát hiện nhưliên quan đến một cảm xúc cụ thể. Họ sử dụng SVM vàSVM-SO các thuật toán để đạt được mục tiêu của họ. Họ đã chỉ ra rằngcách tiếp cận dựa trên EmotiNet là thích hợp nhất chophát hiện của cảm xúc từ bối cảnh nơi không có affectrelatedtừ đã có mặt. Họ đã chứng minh rằng nhiệm vụcảm xúc phát hiện từ nội dung chẳng hạn như những người thân trong những cảm xúcCorpus ISEAR (ít hoặc không có đầu mối từ vựng của ảnh hưởng đến đâuhiện nay) có thể được tốt nhất giải quyết bằng cách sử dụng phương pháp tiếp cận dựa trên commonsensekiến thức. Họ đã chỉ ra rằng bằng cách sử dụng EmotiNet,họ thu được kết quả tốt hơn so với các phương pháp màsử dụng giám sát học tập trên một tập hợp đào tạo hơn hoặckiến thức từ vựng.Ảnh hưởng đến phân tích (AA) là một nhiệm vụ công nhận cảm xúc elicitedbởi một số phương thức semiotic. Neviarouskaya et al. [103]có đề nghị một ảnh hưởng đến phân tích mô hình (AAM). Của AAMbao gồm năm giai đoạn: biểu tượng cue, syntactical cấu trúc,phân tích từ cấp, cấp cụm từ và câu cấp. Điều nàyAAM được sử dụng trong nhiều ứng dụng trình bày trong Neviarouskayalàm việc [104-106].Phân loại câu bằng cách sử dụng các loại hạt mịn thái độ làmột tác phẩm được trình bày bởi Neviarouskaya et al. [14]. Họphát triển một hệ thống dựa trên nguyên tắc compositionalityvà một cách tiếp cận mới đối phó với ngữ nghĩa của động từ trongThái độ phân tích. Họ làm việc trên 1000 câu từ http://www.experienceproject.com. điều này là một trang web nơi mà mọi người chia sẻcá nhân kinh nghiệm, suy nghĩ, ý kiến, cảm xúc, niềm đam mê,và confessions thông qua mạng của câu chuyện cá nhân. Của họđánh giá đã cho thấy rằng hệ thống của họ đạt được các kết quả đáng tin cậy trongnhiệm vụ của Thái độ văn bản phân tích.Ảnh hưởng đến cảm xúc từ có thể được sử dụng như trình bày bởi Keshtkarvà Inkpen [42] sử dụng kỹ thuật corpus dựa trên. Trong của họlàm việc, họ giới thiệu một thuật toán bootstrapping dựa trêntính năng theo ngữ cảnh và từ vựng để xác định paraphrasesvà để giải nén chúng cho các cụm từ cảm xúc, từ nonparallel corpora.Họ bắt đầu với một số lượng nhỏ của hạt giống (WordNetẢnh hưởng đến cảm xúc từ). Cách tiếp cận của họ đã học được khai thác mẫucho sáu lớp học của cảm xúc. Họ sử dụng chú thích blogvà các bộ dữ liệu như văn bản để trích xuất paraphrases từ họ.Họ làm việc trên các dữ liệu từ các tạp chí sống blog, ảnh hưởng đến văn bản, cổ tíchcổ tích và chú thích blog. Họ đã chỉ ra rằng thuật toán của họđạt được hiệu suất tốt kết quả trên thiết lập dữ liệu của họ.Ptaszynski et al. [50] đã làm việc trên ảnh hưởng đến văn bản dựa trên phân tích(AA) của Nhật bản câu chuyện từ Aozora Bunko. Trong của họnghiên cứu, họ giải quyết vấn đề người/vậtliên quan đến ảnh hưởng đến sự công nhận trong câu chuyện. Họ trích xuấtcảm xúc chủ đề từ một câu dựa trên phân tích của anaphoricbiểu thức ban đầu, sau đó các thủ tục phân tích ảnh hưởng đếnước tính những gì loại trạng thái cảm xúc vào mỗi nhân vậtĐối với mỗi một phần của câu chuyện.Học tập AA tại thư và sách đã được giới thiệu bởiMohammad [49]. Ông đã phân tích các văn thể email Enronvà chứng minh rằng có những sự khác biệt được đánh dấu trên giới tínhtrong cách họ sử dụng cảm xúc từ trong nơi làm việc email. Ôngtạo lexicon có các chú thích hướng dẫn sử dụng của một từHiệp hội với phân cực tích cực/tiêu cực, và tám cơ bảncảm xúc của đám đông tìm nguồn cung ứng. Ông đã sử dụng nó để phân tích và theo dõisự phân bố của cảm xúc từ trong sách và thư. Ônggiới thiệu khái niệm của cảm xúc từ mật độ bằng cách nghiên cứutiểu thuyết và truyện cổ tích. Ông đã chứng minh rằng câu chuyện cổ tích có một số tiềnphân phối rộng lớn hơn của tình cảm từ mật độ hơn tiểu thuyết.

Kết quả (Việt) 2:

Cambria và Havasi đã giới thiệu SenticNet 2 trong [115].
Họ đã phát triển SenticNet 2; một ngữ nghĩa và công bố công khai
tình cảm đối với khai thác tài nguyên quan điểm và phân tích tâm lý,
để thu hẹp khoảng cách về nhận thức và tình cảm giữa
dữ liệu ngôn ngữ tự nhiên từ cấp và những tình cảm khái niệm cấp
chuyển tải bằng cách cho họ. Hệ thống của họ được xây dựng bằng các phương tiện
của máy tính sentic đó là một mô hình mới khai thác
cả Artificial Intelligence và SemanticWeb. Họ cho thấy
rằng hệ thống của họ có thể dễ dàng được nhúng vào trong các ứng dụng thực tế
để kết hợp hiệu quả và so sánh cấu trúc
và phi cấu trúc thông tin.
Hệ thống phân tích tâm lý Concept cấp đã được sử dụng trong
các ứng dụng khác như e-sức khỏe. Điều này bao gồm ý kiến của bệnh nhân
phân tích [116] và đám đông xác nhận [117].
5. Các lĩnh vực liên quan đến phân tích tình cảm
Có một số chủ đề mà làm việc dưới sự bảo trợ của SA và
đã thu hút được các nhà nghiên cứu gần đây. Trong phần tiếp theo,
ba trong số các chủ đề được trình bày trong một số chi tiết liên quan với
bài viết.
5.1. Emotion phát hiện
phân tích Sentiment đôi khi được coi là một nhiệm vụ NLP để
khám phá ý kiến về một thực thể; và bởi vì có
một số mơ hồ về sự khác biệt giữa các ý kiến, tâm lý
và cảm xúc, họ xác định quan điểm là một khái niệm quá độ
phản ánh thái độ đối với một thực thể. Tâm lý
phản ánh cảm giác hay cảm xúc khi cảm xúc phản ánh thái độ [1] Nó được lập luận của Plutchik [102] rằng có tám cơ bản
cảm xúc và nguyên mẫu đó là niềm vui, nỗi buồn, giận dữ, sợ hãi,
niềm tin, sự ghê tởm, bất ngờ, và dự đoán. Cảm xúc Detection
(ED) có thể được coi là nhiệm vụ SA. SA là có liên quan chủ yếu
trong việc xác định ý kiến tích cực hay tiêu cực, nhưng ED được
phát hiện có liên quan với những cảm xúc khác nhau từ văn bản. Như một
nhiệm vụ Sentiment Analysis, ED có thể được thực hiện bằng cách sử dụng ML
cách tiếp cận hoặc cách tiếp cận dựa trên Lexicon, nhưng Lexicon dựa trên
cách tiếp cận được sử dụng thường xuyên hơn.
ED trên một mức án được đề xuất bởi Lu và Lin [13].
Họ đề xuất một dựa trên nền web Phương pháp khai thác văn bản để phát hiện
cảm xúc của một sự kiện cá nhân nhúng trong câu tiếng Anh.
Phương pháp của họ được dựa trên xác suất
phân phối của các hành động lẫn nhau phổ biến giữa chủ
thể và đối tượng của một sự kiện. Họ tích hợp văn bản dựa trên web
và khai thác các kỹ thuật ghi nhãn vai trò ngữ nghĩa, cùng với một
số cặp thực thể tham khảo và cảm xúc bằng tay
quy tắc thế để nhận ra một sự kiện phát hiện cảm xúc
của hệ thống. Họ không sử dụng nguồn từ vựng bất kỳ quy mô lớn hoặc
cơ sở tri thức. Họ đã chỉ ra rằng phương pháp của họ cho thấy một
kết quả khả quan trong việc phát hiện những điều tích cực, tiêu cực và trung lập
cảm xúc. Họ đã chứng minh rằng những cảm xúc cảm vấn đề
là bối cảnh nhạy cảm.
Sử dụng cả hai phương pháp tiếp cận và ML Lexicon dựa trên đã được trình bày
bởi Balahur et al. [45]. Họ đã đề xuất một phương pháp dựa trên commonsense
kiến thức được lưu trữ trong các cảm xúc corpus (EmotiNet)
kiến thức cơ bản. Họ nói rằng những cảm xúc không phải luôn luôn
thể hiện bằng cách sử dụng các từ có một ý nghĩa tình cảm tức là hạnh phúc,
nhưng bằng cách mô tả các tình huống thực tế đời sống, trong đó độc giả phát hiện như
là liên quan đến một cảm xúc đặc biệt. Họ đã sử dụng SVM và
thuật toán SVM-SO để đạt được mục tiêu của họ. Họ đã chỉ ra rằng
phương pháp tiếp cận dựa trên EmotiNet là thích hợp nhất cho
việc phát hiện các cảm xúc từ những bối cảnh mà không có affectrelated
lời đã có mặt. Họ đã chứng minh rằng các nhiệm vụ
phát hiện cảm xúc từ các văn bản như những người thân trong những cảm xúc
corpus ISEAR (nơi ít hoặc không có manh mối từ vựng của ảnh hưởng là
hiện tại) có thể được giải quyết tốt nhất sử dụng phương pháp tiếp cận dựa trên commonsense
kiến thức. Họ cho thấy rằng bằng cách sử dụng EmotiNet,
họ thu được kết quả tốt hơn so với các phương pháp
sử học có giám sát trên một tập huấn luyện lớn hơn nhiều hoặc
kiến thức về từ vựng.
Phân tích ảnh hưởng (AA) là một nhiệm vụ nhận cảm xúc gợi ra
bởi một phương thức ký hiệu học nhất định. Neviarouskaya et al. [103]
đã cho thấy một ảnh hưởng tích Model (AAM). AAM của họ
bao gồm năm giai đoạn: cue tượng trưng, ​​cấu trúc cú pháp,
từ cấp, cụm từ cấp và phân tích câu cấp. Đây
AAM đã được sử dụng trong nhiều ứng dụng được trình bày trong Neviarouskaya
làm việc [104-106].
Phân loại câu sử dụng các loại thái độ hạt mịn là
một tác phẩm thể hiện bởi Neviarouskaya et al. [14]. Họ
đã phát triển một hệ thống dựa trên nguyên tắc compositionality
và một phương pháp mới đối phó với ngữ nghĩa của động từ trong
phân tích thái độ. Họ đã làm việc trên 1000 câu từ http: //
www.experienceproject.com. Đây là một trang web nơi mọi người chia sẻ
kinh nghiệm cá nhân, những suy nghĩ, ý kiến, cảm xúc, niềm đam mê,
và những lời tâm thông qua mạng lưới các câu chuyện cá nhân. Họ
đánh giá cho thấy rằng hệ thống của họ đã đạt được kết quả đáng tin cậy trong
các nhiệm vụ của phân tích thái độ văn bản.
Ảnh hưởng từ cảm xúc có thể được sử dụng như trình bày bởi Keshtkar
và Inkpen [42] sử dụng một kỹ thuật dựa trên corpus. Trong họ
làm việc, họ giới thiệu một thuật toán bootstrapping dựa trên
tính năng và từ vựng theo ngữ cảnh để xác định diễn giải
và trích xuất chúng với các điều kiện cảm xúc, từ corpora nonparallel.
Họ bắt đầu với một số lượng nhỏ các hạt (WordNet
ảnh hưởng đến từ cảm xúc). Phương pháp của họ biết được mô hình khai thác
cho sáu loại cảm xúc. Họ đã sử dụng blog chú thích
và các bộ dữ liệu khác như các văn bản để trích xuất diễn giải từ họ.
Họ làm việc trên dữ liệu từ các tạp chí trực blog, ảnh hưởng đến văn bản, fairy
tales và blog được chú thích. Họ cho thấy rằng thuật toán của họ
đạt được kết quả hiệu suất tốt trên bộ dữ liệu của họ.
Ptaszynski et al. [50] đã làm việc dựa trên văn bản ảnh hưởng đến phân tích
(AA) của bài tường thuật từ Nhật Bản Aozora Bunko. Trong họ
nghiên cứu, họ giải quyết các vấn đề của người / nhân vật
có liên quan ảnh hưởng đến sự công nhận trong tự sự. Họ lấy
cảm xúc từ một đề án dựa trên phân tích của anaphoric
biểu tại đầu tiên, sau đó ảnh hưởng đến các thủ tục phân tích
ước tính loại trạng thái cảm xúc mỗi nhân vật là trong
mỗi một phần của câu chuyện.
Nghiên cứu AA trong các bức thư và sách đã được giới thiệu bởi
Mohammad [49 ]. Ông đã phân tích các email corpus Enron
và chứng minh rằng có sự khác biệt rõ rệt giữa các giới tính
trong cách thức họ sử dụng những từ cảm xúc ở nơi làm việc email. Ông
tạo ra từ vựng trong đó có chú thích bằng tay của một từ
hiệp hội với tích cực / tiêu cực phân cực, và tám cơ bản
cảm xúc của đám đông-sourcing. Ông đã sử dụng nó để phân tích và theo dõi
việc phân phối từ cảm xúc trong cuốn sách và mail. Ông
giới thiệu các khái niệm về mật độ từ cảm xúc bằng cách nghiên cứu
các tiểu thuyết và truyện cổ tích. Ông đã chứng minh rằng những câu chuyện cổ tích có nhiều
phân phối rộng lớn hơn của mật độ từ cảm xúc hơn tiểu thuyết.