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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Moving Real-Time Linked Data Query Evaluation to the Client Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Polarity Classification for Target Phrases in Tweets: A Word2Vec Approach

verfasst von : Andi Rexha, Mark Kröll, Mauro Dragoni, Roman Kern

Erschienen in: The Semantic Web

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Twitter is one of the most popular micro-blogging services on the web. The service allows sharing, interaction and collaboration via short, informal and often unstructured messages called tweets. Polarity classification of tweets refers to the task of assigning a positive or a negative sentiment to an entire tweet. Quite similar is predicting the polarity of a specific target phrase, for instance @Microsoft or #Linux, which is contained in the tweet.
In this paper we present a Word2Vec approach to automatically predict the polarity of a target phrase in a tweet. In our classification setting, we thus do not have any polarity information but use only semantic information provided by a Word2Vec model trained on Twitter messages. To evaluate our feature representation approach, we apply well-established classification algorithms such as the Support Vector Machine and Naive Bayes. For the evaluation we used the Semeval 2016 Task #4 dataset. Our approach achieves F1-measures of up to \(\sim \)90 % for the positive class and \(\sim \)54 % for the negative class without using polarity information about single words.

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 An Empirical, Quantitative Analysis of the Differences Between Sarcasm and Irony
Nächstes Kapitel PageRank on Wikipedia: Towards General Importance Scores for Entities
Fußnoten
1
Word2Vec models provide a representation of words in a feature space reflecting their relation to other words in the corpus.
 
Literatur
1.
Agarwal, A., Biadsy, F., Mckeown, K.R.: Contextual phrase-level polarity analysis using lexical affect scoring and syntactic n-grams. In: Proceedings of the 12th Conference of the European Chapter of the Association for Computational Linguistics, EACL 2009 (2009)
2.
Barbosa, L., Feng, J.: Robust sentiment detection on twitter from biased and noisy data. In: Proceedings of the 23rd International Conference on Computational Linguistics: Posters, COLING 2010 (2010)
3.
Bermingham, A., Smeaton, A.F.: Classifying sentiment in microblogs: is brevity an advantage? In: Proceedings of the 19th ACM International Conference on Information and Knowledge Management, CIKM 2010. ACM (2010)
4.
Gimpel, K., Schneider, N., O’Connor, B., Das, D., Mills, D., Eisenstein, J., Heilman, M., Yogatama, D., Flanigan, J., Smith, N.A.: Part-of-speech tagging for twitter: annotation, features, and experiments. In: Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies: Short Papers - vol. 2, HLT 2011 (2011)
5.
Go, A., Bhayani, R., Huang, L.: Twitter sentiment classification using distant supervision. Technicak report, Stanford (2009)
6.
Kouloumpis, E., Wilson, T., Moore, J.D.: Twitter sentiment analysis: the good the bad and the omg! In: Proceedings of the Fifth International Conference on Weblogs and Social Media, Barcelona, Spain (2011)
7.
Liu, B., Zhang, L.: Mining text data. In: Aggarwal, C.C., Zhai, C. (eds.) A Survey of Opinion Mining and Sentiment Analysis, pp. 415–463. Springer, New York (2012)
8.
Mikolov, T., Chen, K., Corrado, G., Dean, J.: Efficient estimation of word representations in vector space. arXiv preprint arXiv:​1301.​3781 (2013)
9.
Pang, B., Lee, L.: Opinion mining and sentiment analysis. Found. Trends Inf. Retrieval 2(1–2), 1–135 (2008)
10.
Pang, B., Lee, L., Vaithyanathan, S.: Thumbs up? sentiment classification using machine learning techniques. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing, pp. 79–86, EMNLP 2002. Association for Computational Linguistics, Stroudsburg (2002). http://​dx.​doi.​org/​10.​3115/​1118693.​1118704
11.
Rosenthal, S., Nakov, P., Kiritchenko, S., Mohammad, S., Ritter, A., Stoyanov, V.: Semeval-2015 task 10: sentiment analysis in twitter. In: Proceedings of the 9th International Workshop on Semantic Evaluation (SemEval 2015). Association for Computational Linguistics (2015)
12.
Rosenthal, S., Ritter, A., Nakov, P., Stoyanov, V.: Semeval-2014 task 9: sentiment analysis in twitter. In: Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014). Association for Computational Linguistics and Dublin City University (2014)
13.
Turney, P.D.: Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. In: Proceedings of the 40th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics (2002)
14.
Wiebe, J., Wilson, T., Cardie, C.: Annotating expressions of opinions and emotions in language. Lang. Resour. Eval. 1(2), 165–210 (2005)CrossRef
15.
Wilson, T., Kozareva, Z., Nakov, P., Alan, R., Rosenthal, S., Stoyonov, V.: Semeval-2013 task 2: sentiment analysis in twitter. In: Proceedings of the 7th International Workshop on Semantic Evaluation. Association for Computation Linguistics (2013)
Metadaten
Titel
Polarity Classification for Target Phrases in Tweets: A Word2Vec Approach
verfasst von
Andi Rexha
Mark Kröll
Mauro Dragoni
Roman Kern
Copyright-Jahr
2016
Buch
The Semantic Web

Print ISBN: 978-3-319-47601-8

Electronic ISBN: 978-3-319-47602-5

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-47602-5_40

Neuer Inhalt

    Bildnachweise