如今,情绪分析(SA)以及意见挖掘是广泛调查研究领域( 1, 2]。这是一个自然语言处理(NLP)的应用,计算语言学,文本挖掘提取人的意见或情感对一个事件、产品或其他( 3, 4]。一般来说,SA对识别四种元素组成的实体,其方面,观点持有者,他的情绪 5]。提取的观点可分为客观或主观的文本。主观的文本也可分为积极或消极情绪( 6]。

大多数研究在SA进行了自然语言,如英语、中文和阿拉伯语。NLP在阿拉伯语仍处于起步阶段 7]。它缺乏的资源和工具。因此,阿拉伯语仍然满足挑战NLP任务由于其结构的复杂性,历史,和不同的文化 8, 9]。

大量的工具和方法,在文献中,利用SA的任务。它们中的大多数都是用来管理SA在英语是科学语言 9]。这些方法是语义的方法或机器学习(ML)的方法。语义的方法提取情感词,计算其极性基于情感词典( 10]。相反,构建一个新的模型,毫升分类器训练注释数据,转换成特征向量后,得出具体的特性用于一个特定的类。最后,新模型可以用来预测新数据的类( 4]。值得注意的是,这些方法可以适应其他语言,比如阿拉伯语( 9]。

阿拉伯语受到较少的努力与其他语言相比( 11];然而,数以百计的研究已经提出了亚撒。介绍自十年以来,亚撒已经成为最受欢迎的形式的信息提取的评论。这些评论了很多好处,比如显示产品品牌或服务有价值的见解 12- - - - - - 15),识别潜在的产品主张或社交媒体影响力( 16- - - - - - 19),检测垃圾邮件( 20.]。因此,亚撒已经研究了在各种情况下,大量的研究已经发表的主题。我们最好的知识,没有一个系统的回顾,在亚撒将合成结果。

本文旨在介绍单反ASA的研究工作。这单反开始确定的基本要求,随后,共有191篇论文最初被认为是相关的。这个数字已经减少到140篇论文在回顾研究的摘要。最后,总共只有108篇论文完全了。通过仔细研究和分析这些论文,所需的信息提取。

寻求这个单反给主要的研究主题的大纲和技术为未来的研究和建议。本研究的首要目标是评论文章了解研究现状。第二个目标是用阿拉伯语,讨论影响股价的重大问题的基础上,回顾了研究。除了该领域的理论发展,本文四倍的贡献。首先,系统研究的文献综述将提供亚撒。其次,将亚撒一个增强的分类方法。第三,我们试图创建此类合成基础上,特别强调预处理步骤中,特征生成和情绪分类方法。最后,亚撒将建议新趋势,对未来的研究和实践将突出显示。

本文的组织结构如下的提示。部分 2提供了方法。研究结果说明部分 3。部分 4介绍了现有的研究的分析和讨论确定研究缺口,使影响未来的研究。部分 5草拟的结论。

单反被开发作为一种方法来识别和检查SA在阿拉伯语。使用系统进行系统回顾,明确的目标和严格的标准,不仅要总结目前关于这一课题的研究还涉及一个元素的分析批评。提出了八个主要步骤是必不可少的任何审查科学严格的( 21]。本研究遵循指南( 21- - - - - - 23在收集和分析过程。下面给出的细节。

本节介绍了单反的发现,有助于回答一分之二的研究问题。下面的部分是单反的相关结果。ASA以来一直需要阿拉伯语观众,谁使用互联网和应用程序,最近上涨了很多( 9]。期间共有191篇论文被发现从2013年1月到2018年11月底。显然注意到从图 3ASA的研究已经逐渐增加的数量在过去的五年;即。,it reached 53 articles in 2018. It is evident that ASA is recently an absolutely hot research topic. Therefore, it has witnessed a speedy growth and an increased interest from researchers. Thus, it is a fascinating research field.

此外,图 4提供了ASA使用的大多数任务的信息。根据综述的研究,大多数任务分为情绪分类,建筑资源,和建筑资源和情绪分类。此外,它是明显的从图 4建筑资源和情绪的任务分类主导所有其他任务。事实上,阿拉伯语仍然缺乏资源和工具,可以用来支持分类情绪。

众所周知,阿拉伯语通常是不同的在MSA和哒。图 5说明了许多文章针对阿拉伯语类型。总的来说,值得注意的是,学习MSA和DA只MSA更多的趋势,而不是学习。这是由于丰富的DA在社交媒体和微博渠道的存在。

此外,数据来源意见任何话题不同的社会媒体平台介绍产品或服务的网站。图 6描述了ASA使用的数据来源。

显然注意到Twitter。,50% of the data sources used in articles, is the most frequently application of social media used in the reviewed articles. It has a great potential of exploring people lives and their potentials, opinions, and interests. It is restricted to a very short message called tweets which are often written using a lot of Arabic slang.

一般来说,机器学习为ASA -基于(ML)的方法包括以下阶段,包括数据预处理、特征生成和选择,毫升的方法。在文学中,有几个技术提出了SA的每个阶段更好地提高性能。阿拉伯语研究表现在每一个阶段都是在以下部分。

这一部分试图从单反讨论结果,给第三和第四个研究问题的答案。共有108篇文章了ASA捕获当前状态和实现研究目标。目的总结在ASA使用最有效的技术,揭示了差距和回顾了研究的局限性,并突出ASA未来研究的方向。

很明显,亚撒从三个重要的角度研究了。首先是强烈的预处理策略影响SA分类的结果。第二个特征生成和选择的过程,构建向量并发挥重要作用,因此,改善的结果。最后一个过程是在角色的分类方法接收向量输出特性生成分类情绪。

如文献所示,仍存在一些需要解决的挑战ASA。这些挑战不同的预处理策略、特征选择、分类方法,目标域。

阿拉伯语句子大大涉及嘈杂,失踪,不一致的数据需要预处理改善阿拉伯情绪分类。不使用预处理,如消除无关紧要的言论和重复的字母,可能导致忽略重要的词。应用广泛的预处理策略,如标准化、标记、文字删除,和遏制,将提高情绪分类。

Al-Rubaiee et al。 13在RapidMiner]探索预处理的步骤;就是标准化、停止词删除,并阻止。证明文本预处理是一个关键因素在情绪分类和显示不同程度的准确性通过创建- gram的令牌。

预处理对ASA的影响是解决,特别是在2012年埃及总统选举。结果,采用信息增益与语法选择功能,阻止,规范化改进阿拉伯文本分类的准确性( 47]。

此外,Alomari et al。 68年]研究了几种预处理方法,包括阻止,停止的话,字格,不同的加权方案雇用几个场景。在细节、语法模型被阻止类型和没有阻止以及加权方案,包括TF-IDF或特遣部队。一个阿拉伯语停止词删除被排除在地面上,它可以减少在所有场景的表现。此外,实验结果表明,支持向量机分类器使用TF-IDF阻止通过三元功能表现最好的场景产生的朴素贝叶斯分类器的性能。

的作者( 92年]研究带来的影响在阿拉伯语情感分类问题。他们做实验在两个数据集:“2000条”收集的阿卜杜勒et al。 132年亚]和“BBN tweet”萨拉梅赫et al。 133年]。他们的阿拉伯语根抽梗机实现穆斯林教师和光集成在RapidMiner抽梗机。结果表明,光比根阻止和抑制比三元模型结合的字符标记的文本;因此,最好的情绪分类结果。

Duwairi和El-Orfali 26对SA)进行的一项研究阿拉伯文字。作者用两个数据集:一个准备相关的内部政治域和其他由Rushdi-Saleh et al。 8电影相关领域。他们的目标是调查数据表示和ASA预处理策略。结果表明,使用抑制和光引发结合停止词去除不利影响的分类性能相关的数据集电影领域,虽然略有改善其他数据集的分类。

尽管SA预处理阶段是一个非常重要的步骤,对文本挖掘,它仍然是低估了,而不是广泛的文学。此外,最好的预处理技术,发挥决定性的作用,有效地改善ASA,仍然是一个开放的领域研究和实验。

良好的预处理导致选择合适的特征。包括一个语义特征表示在NLP表示,仍然是一个挑战性的任务。因此,捕捉词的语义与分布语义模型是可能的。合并单词与语法的组合模型嵌入将改善SA的结果。

在亚撒,字格模型很大程度上是作为特征。一些研究暴露,unigrams导致更好的性能比三元和三元模型( 35, 54]。这种行为是由于这样的事实:弓能给一个好的数据覆盖,而三元和三元模型往往是非常稀少的。

的特性,比如unigrams数向量,分别三元,和三元模型试验。不同的若干语法的组合模型试图改善了分类过程和结果组合( 37, 69年, 94年]。

Alomari et al。 68年]检查使用几个字格(unigram,三元,三元模型)与不同的加权方案,包括TF-IDF和TF,发现三元模型与TF-IDF加权方案优于他人。

同时,词类特征已经在分析利用阿拉伯文字内容。例如,Al-Moslmi等人和穆罕默德等。 18, 83年)利用POS标签功能,包括名词、副词和形容词调查情绪在阿拉伯语的文本。Alhazmi et al。 106年)进行了两组实验,与POS和没有POS,评估市场人气的POS模式有效性特征分类。实验表明,使用POS模式没有太大改善,可能是由于这样的事实:阿拉伯语方言中常用的twitter。

TF-IDF和BTO被广泛用作加权方案创建这个词向量( 13, 60, 71年, 73年]。性能相当。它依赖于词向量模型和监督ML算法生成的。

此外,特征表示,包括语义表示在NLP仍然是一个挑战性的任务。因此,捕捉词汇语义与分配是可能的语义模型主要包括字嵌入。字嵌入是一个替代方法等手工ASA的特性。最近的一些研究已经利用这种技术 14, 33, 91年, 134年]。

注意到使用这个词与DL模型嵌入帮助改善结果线性模型,如支持向量机,适用于大型数据集,可以计算效率( 33, 90年]。

有很多方法,提出了处理阿拉伯情绪分类问题。然而,这些方法的准确性是不同维度,大型数据集和特征。使用ASA的DL模型将大大解决问题涉及参与其他常见方法,如支持向量机和NB。

一些研究支持向量机和NB一起探讨阿拉伯语情感分类问题。在这些研究中,注意到,有一种强烈的竞争实现更高精度的SVM和NB。有22个研究NB精度优于支持向量机( 52, 62年, 83年, 106年, 118年]。注有能力使用小训练集分类情绪。它利用实现概率的统计分类和分类文档中是非常有效的。基本上,它的目的是分析一个特定功能的缺失和存在独立使用概率分类特性。这是高效处理的单词,概率是情绪,如副词或形容词( 126年]。

相比之下,支持向量机已经成功地用于一般分类和回归,它已被证明其有效性在阿拉伯语情绪分类。它有能力模型的几个来源数据,获得最高的准确性和灵活性在处理高维数据。此外,为了避免错误的分类,它利用一个更大的利润。因此,SMV的性能优于NB性能在29日的研究( 13, 27, 36, 59, 71年, 102年]。

在[ 123年),进行了几个实验使用SVM和NB在不同特征尺寸检查常用的特征选择技术的性能。注意到支持向量机的准确性和NB当功能大小的增加而减少。因此,支持向量机是相对较小的数据集和功能优越,具有更少的离群值。

深层神经网络已成功采用提取特征。它有一个很大的优势超过其他毫升的方法。深上下文特征对单词中提取低维空间,而不需要任何特性工程学习连续文本表示的数据。此外,DL模型是最适当的非常大的数据集,大量的特性、分类和复杂的任务。因此,DL解决阿拉伯情绪分类模型是一种有前途的方法。

最近,许多研究已经明显利用DL在SA,如图 12我们进行了一项调查显示,。线图显示了一个稳定的增长在六年的时间。很明显观察到的线图的文章数量实现DL在股价飙升略第一,在过去两年中大幅攀升。然而,实现DL在ASA已收到小的努力。

是注意到的209篇文章只有6个阿拉伯语文章利用DL。

Alayba et al。 112年)集成卷积神经网络(CNN)和长期短期记忆(LSTM)方法来调查他们的福利亚撒。结果,获得了精度对ASA提高几个数据集。此外,DL ASA的方法提出了在 90年]。作者调查了几个skip-gram和CBOW的组合,包括CNN和LSTM评估两个公开的数据集。使用组合LSTMs介绍,最高的结果的准确性和其他性能的措施。Al-Azani et al。 135年]使用LSTM及其简化变量的周期性单元(格勒乌)检测情绪极性的阿拉伯语的微博。他们比较DL的性能基线传统机器学习方法。结果表明,模型基于LSTM和格勒乌表现优于其他分类器。

一般来说,ASA使用DL的组合模型是一个有前途的替代传统的机器学习技术,并帮助提高准确性。DL技术的主要思想是利用深层神经网络学习算法复杂特性从大量原始数据中提取不依赖先验知识的预测因子。这些算法自动学习新的手动创建复杂的特性,而不是传递特性。表现良好,DL方法需要大量的数据。因此,影响性能的两个主要因素DL技术自动特征提取和资源的可用性。他们是非常重要的,当比较DL技术和传统的机器学习技术。

在这个单反,系统总结了亚撒的研究文章。分析了贡献对特定的研究问题。它提供了一个系统的概述现有研究在亚撒。过滤后,108年研究,发表在11期刊和22日会议上,进行了分析。

ASA成为一个重要的问题在谈到预处理过程中,特征选择和分类方法。亚撒的艺术状态的显示各种不同观点和广泛的作品。单反凸显了预处理策略和最频繁用于特征选择方法。此外,它提供了一个情感分类方法的分类。这种分类法构建回答的研究问题:在ASA使用最有效的技术是什么?。

通过单反,很明显,亚撒仍然需要更多的研究。它有助于对未来的研究和对实践的影响。审查表明,有限的研究建立标准化的数据集和应用前景的分类方法。此外,报告也显示研究缺乏从开发新特性表示适合阿拉伯语的特点。此外,未来研究的方向也存在于开发推荐系统在许多领域和一个增强ASA在不同领域的框架。鼓励研究人员加入当前的研究领域。