Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Spreading Activation Way of Knowledge Integration Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

AMRITA-CEN@SAIL2015: Sentiment Analysis in Indian Languages

verfasst von : Shriya Se, R. Vinayakumar, M. Anand Kumar, K. P. Soman

Erschienen in: Mining Intelligence and Knowledge Exploration

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The contemporary work is done as slice of the shared task in Sentiment Analysis in Indian Languages (SAIL 2015), constrained variety. Social media allows people to create and share or exchange opinions based on many perspectives such as product reviews, movie reviews and also share their thoughts through personal blogs and many more platforms. The data available in the internet is huge and is also increasing exponentially. Due to social media, the momentousness of categorizing these data has also increased and it is very difficult to categorize such huge data manually. Hence, an improvised machine learning algorithm is necessary for wrenching out the information. This paper deals with finding the sentiment of the tweets for Indian languages. These sentiments are classified using various features which are extracted using words and binary features, etc. In this paper, a supervised algorithm is used for classifying the tweets into positive, negative and neutral labels using Naive Bayes classifier.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Sentiment Analysis System for Indian Language Tweets
Literatur
1.
Fink, C.R., et al.: Coarse- and fine-grained sentiment analysis of social media text. Johns Hopkins APL Tech. Dig. 30(1), 22–30 (2011)MathSciNet
2.
Balahur, A.: Sentiment analysis in social media texts. In: 4th Workshop on Computational Approaches (2013)
3.
Hutto, C.J., Gilbertl, E.: Vader: a parsimonious rule-based model for sentiment analysis of social media text. In: Eighth International AAAI Conference on Weblogs and Social Media (2014)
4.
Arunselvan, S.J., Anand kumar, M., et al.: Sentiment analysis of tamil moovie reviews via feature frequency count. IJAER 10, 17934–17939 (2015)
5.
Jansen, B.J., et al.: Twitter power: tweets as electronic word of mouth. J. Am. Soc. Inf. Sci. Technol. 60(11), 2169–2188 (2009)CrossRef
6.
Hiroshi, K., et al.: Deeper sentiment analysis using machine translation technology. In: 20th International Conference on Computational Linguistics (2004)
7.
John, G.H., Langley, P.: Estimating continuous distributions in Bayesian classifiers. In: Eleventh Conference on Uncertainty in Artificial Intelligence (1995)
8.
Godbole, N., et al.: Large-scale sentiment analysis for news and blogs. ICWSM 7, 21 (2007)
9.
Kouloumpis, E.: Twitter sentiment analysis: the good the bad and the omg!. Icwsm 11, 538–541 (2011)
10.
Pang, B., Lee, L.: Opinion mining and sentiment analysis. Found. Trends Inf. Retr. 2(1–2), 1–135 (2008)CrossRef
11.
12.
Turney, P.D., et al.: From frequency to meaning: vector space models of semantics. J. Artif. Intell. Res. 37(1), 141–188 (2010)MATHMathSciNet
13.
Rennie, J.D., et al.: Tackling the poor assumptions of naive bayes text classifiers. In: ICML, vol. 3 (2003)
14.
Jordan, A.: On discriminative vs. generative classifiers: a comparison of logistic regression and naive bayes. Adv. Neural Inf. Process. Syst. 14, 841 (2002)
15.
Panda, M., Abraham, A., Patra, M.R.: Discriminative multinomial naive bayes for network intrusion detection, pp. 5–10 (2010)
16.
Juan, A., Ney, H.: Reversing and smoothing the multinomial naive bayes text classifier. In: PRIS (2002)
17.
McCallum, A., Nigam, K.A.: Comparison of Event Models for Naive Bayes Text Classification. In: AAAI/ICML-98 Workshop on Learning for Text Categorization, pp. 41–48 (1998)
18.
Lewis, D.D.: Naive bayes at forty: the independence assumption in information retrieval. In: Nédellec, C., Rouveirol, C. (eds.) ECML 1998. LNCS, vol. 1398. Springer, Heidelberg (1998)
19.
Amor, N.B., et al.: Naive bayes vs decision trees in intrusion detection systems. In: 2004 ACM Symposium on Applied Computing (2004)
Metadaten
Titel
AMRITA-CEN@SAIL2015: Sentiment Analysis in Indian Languages
verfasst von
Shriya Se
R. Vinayakumar
M. Anand Kumar
K. P. Soman
Copyright-Jahr
2015
Buch
Mining Intelligence and Knowledge Exploration

Print ISBN: 978-3-319-26831-6

Electronic ISBN: 978-3-319-26832-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-26832-3_67

Premium Partner

    Bildnachweise