Lexicon-Based情绪分析教师的评价

文摘

结束课程的评价已成为教育管理的一个组成部分在几乎每一个学术机构。现有的自动评价方法主要采用李克特量表为基础提供的量化分数的学生对课程的交付和老师的知识。反馈随后被用来提高教学的质量,经常为年度考核流程。除了李克特规模问题,评价形式通常包含开放式的问题,学生可以写意见/反馈,可能不是由固定的问题。文本反馈,然而,通常是提供给教师和管理,由于其nonquantitative自然是经常不处理来获得更多的信息。本文旨在解决这方面运用几种文本分析方法对学生的反馈。本文不仅提出了一个基于情感分析指标,这是证明是高度相关的聚合李克特量表分数,但老师还提供了新的见解的表现与标签云的帮助下,情绪得分,和其他frequency-based过滤器。

1。介绍

教师的评估性能成为一个教育管理系统的重要组成部分。它不仅有助于提高课程内容和质量也在年度考核过程中经常使用的教员。收集到的评价通常是在每个课程一组回答的问题使用李克特量表。的聚合反应作为指标来衡量教学质量的有关教员。

评价形式,然而,还提供了开放的空间反馈通常不包括在绩效评估/评价由于缺乏自动文本分析方法(1- - - - - -3]。文本数据可能包含有用的老师,了解学科知识规律,表达能力也可以提供建议,提高教学质量。这些信息可能不是很容易从李克特量表中提取基于反馈(4]。然而,得到有意义的文本手工反馈是一个艰难的任务,因此,文本反馈是不正确利用3]。

本文旨在分析文本自动反馈和发展定量和定性指标,可以帮助评估老师的表现和突出她赞赏/关注的主要领域。工作受到新兴区域的情绪分析革命以来取得了突出的万维网。很多工作最近报道,研究人员从评论中提取的情绪在网上论坛(5),电影/项目评论网站(6,7),社交网站(8,9[],教师评价3,10),等等。

情绪分析的主要目标是确定一个作家的感觉从一个给定的文本。这种感觉可能是他/她的态度,情感,或意见。这种分析的最重要的一步是将给定的文本的极性积极、消极或中性的(5,11]。以类似的方式,提出了工作的目标是识别学生的反馈的极性的积极、中性和负面的。此外,本文还建议方法识别学生的反复出现的主题反馈通过生成词云可视化,情绪得分,和其他frequency-based过滤器。

剩下的纸是组织如下。部分2领域的情绪提供了一个简单的调查分析。部分3论述了提出的方法分析学生的反馈,而这项研究的结果发表在部分4。最后,部分5总结了论文,并提供未来的研究方向。

2。相关工作

情感分析是一个令人兴奋的领域和新的研究方向,发现人们的情绪。的文本情感分析通常是执行可以分类大致分为两种类型:事实和观点。事实是客观的表达对实体、事件及其属性。意见通常是主观描述情绪表达,情感,评价,或感觉12]。在过去的十年中,从文本自动提取的意见或情绪一直是一个活跃的研究领域(11]。现有的方法可以分为五个主要点归类为以下类别中列出(13]。

(我)关键词定位。分类文本基于明确的存在影响词汇如快乐、悲伤、害怕,和无聊。关键字定位有一个限制在两个领域:(a)它不能可靠地识别影响否定单词,和(b)它依赖于表面特性。例如,这两个句子,如“今天是快乐的一天”和“今天并不是一个快乐的一天”被列为积极由于存在积极的影响“快乐。“有时候,一个句子表达影响通过潜在的意义而不是影响形容词。例如,文本“我丈夫提出离婚,他想要对我的孩子的监护权远离我”唤起强烈的情绪,但没有使用任何影响关键词。

(2)Lexicon-Based方法。这种方法可以进一步分为基于词典的方法和基于语料库的方法。在字典为基础的方法,一个小手动设置的意见收集单词作为种子。然后知名词典(14)或同义词典(15)用于扩大组意见词通过添加他们的同义词和反义词。新发现的词添加到种子列表。这个流程将继续,直到没有更多的单词在字典中找到。最后,进行手动审查删除错误。提出的这些方法之一是金正日和Hovy [16]。这种方法的主要缺点是,它无法找到一个域和上下文特定的意见的话。例如,考虑以下两个句子:

“老师好”

“逾期付款将会有罚款”

的基于语料库的方法克服了基于字典的方法的局限性。除了种子单词列表,此方法识别上下文特定的意见的话。这样的话的发现是基于句法或同现模式在文本中使用语言的约束(17]。例如,考虑以下两个句子:

“老师很好,很好”

“老师是不错,但课程是困难的”

(3)词汇关联。这种方法训练概率从语言全集5]。它不仅检测明显影响单词也分配情绪任意单词。例如,词汇关联可能分配“事故”一词表明负面影响的概率75%,如车祸受伤的句子”。“这种方法有两个主要问题。第一,否定的句子(我避免了一场事故)和句子与其他含义相同(我偶然遇见我的女朋友)假装词汇关联,因为他们操作只在这个词的水平。第二,词汇关联概率通常是偏向一种特殊的文本。

(四)统计方法。该方法利用贝叶斯推理等机器学习方法和支持向量机(18,19]。通过喂食大量训练语料库情感地注释文本的机器学习算法,不仅系统学习的影响关键字(如关键字定位方法)也考虑其他任意的价关键字,标点符号,和词同现频率。它已经提到,这些基于机器学习方法的性能高度依赖于训练数据的质量和数量和特征选择3,5,20.,21]。

(v)概念的技术水平。不同于纯粹的语法技巧,概念水平等元素从知识表示方法是利用本体和语义网络,因此,可以检测语义表达在一个微妙的方式(22,23]。

在上述方法中,情感分析的基本步骤是识别极性为正,负,或中性在单词层面,句子层面,或文档的水平。促进这一步,开发各种主观性语料的词汇注释与积极的,消极的,和中立的极性24,25]。在应用程序域是未知的,这样的语料库的使用可能工作好。然而,认为更好的结果可以通过使用领域特定语言情绪。出于这个原因,一些情绪注释全集已经免费。列表包括MPQA新闻专线语料库[26),电影评论文集[19],和餐厅和笔记本评论文集[5]。必须指出,到目前为止,没有这样的情绪语料库可以专门为教育领域。

情绪分析可以应用于广泛的现实世界的问题。许多企业采用文本情感分析和将它纳入他们的流程。在企业应用程序包括(i)计算的客户满意度了解多么幸福的客户与公司的产品从正到负的tweet的比例;(2)识别的批评家和启动子:它可以通过客户支持发现不满或问题产品。世界各地的几个研究小组目前专注于理解情绪的动态电子社区通过情绪分析和CYBEREMOTION [27)就是这样的一个项目由欧盟第七框架计划参与的九个学院在欧洲。这个项目的主要目标是理解电子社区的集体情绪的作用。

在医学领域,医生和护士表达他们的判断和观察病人的健康状况在临床的叙述。情绪在临床文档用户生成内容的不同情绪或其他文本类型。分析和聚合这些信息随着时间的推移可以支持治疗的决定,允许医生迅速得到病人的健康状况概述。通过这种方式,劳动密集型的用户研究治疗或药物治疗可以帮助评估。Goeuriot et al。28)执行字典情绪分析基于临床文本。

在教育领域,学生对老师的教学的能力表达他们的意见。由于不可用自动化工具来处理这些反馈,然而,这些评论是没有很好地利用。一些努力已经在文献中报道,旨在解决这一问题。MacKim和卡尔沃1)分析学生的反馈来评估他们的学习经验。研究比较了分类模型和五维度模型利用情感类别:愤怒,恐惧,快乐,悲伤和惊奇都会行之于色,。欢乐和惊喜是正极,而愤怒、恐惧、悲伤属于负极性。

梁等。2)应用情绪分析和文本挖掘通过收集学生的反馈,收集通过短信。他们还探讨了不完整的文本和拼写错误。每个反馈被分类为每个类别定义的概念。每个反馈可以属于任何类别,一类或几类。Jagtap和Dhotre3)支持向量机和基于HMM的混合方法用于教师的情绪分析评估。

这项工作由Altrabsheh et al。10]分析了通过收集学生的反馈通过Twitter等社交媒体。他们不仅确定了学生的积极和消极方面的感觉但是还发现了一些更精致的情绪。情绪可以是负的,如困惑,无聊,和愤怒而积极的情绪,如自信,热情。不同的技术已经被用于情绪分析,和一些已经证明给性能优越等朴素贝叶斯(NB),最大熵(MaxEnt)和支持向量机(SVM)。

3所示。情绪分析过程

本节解释了方法分析文本提供的教师评价学生。注释的方法识别极性积极、消极或中性的。指标已经建议提供了一个替代李克特量表得分。此外,该部分还解释了如何识别关键词,可以帮助教师和政府在确定改进的主要领域。

为了更好地理解文本的问题分析情绪教师评估,考虑到一些学生的反馈见表1。评论是相对较短和突出的挑战。可能有拼写错误的问题,语法错误,使用缩写的快捷键和表情符号。此外,句子可能不完整,可能包含填充词(例如,嗯,)。因此这些文本可分为噪声和非结构化由于其非正式的写作风格。突出的问题很难准确地提取从非结构化和非相干反馈等情绪。

从学生的反馈可在非结构化形式(文本),几个子过程是必要的生成有意义的见解。这些包括数据采集、数据预处理、停止词过滤,命名实体识别,转换,情绪标签,情绪得分,和词云可视化。整个过程如图1而主要构建块解释如下。

3.1。预处理

预处理的目的是消除不必要的和嘈杂的数据。在这篇文章中,预处理阶段包括以下任务:(我)标记。这一过程流的文本分解成一组单词。(2)阻止。这一步减少单词茎或根的形成根源分析过程简化了情绪。可以使用同一个词在不同的风味等语法原因组织、组织、组织。(3)情况下转换。这一步的文本转换成小写或大写。(iv)标点符号删除。标点符号在文本通常不提供任何有用的信息。这一步中,因此,擦除这个词的标点符号。(v)停止词删除。停止词由介词,帮助动词,文章等等。他们通常不贡献分析情绪,从文本中删除。

3.2。情绪词典

情绪词典包含一个单词列表以及各自的极性。几个这样的全集开发并免费提供。在这项工作中,我们使用了MPQA语料库[26),包含8221条记录(的话),每条记录包含六个特性列在下面:(我)类型:代表这个词是否有强弱主体性;(2)len:线索词的长度;(3)word1:令牌/词作为主观的线索;(iv)pos1:这个词的词性;(v)stemmed1:也就是说,如果这个词是词,分配“y”,否则“n。“如果stemmed1 = y,这意味着这个词的线索应该匹配所有unstemmed变异与对应的词性。例如,“虐待”将匹配“滥用”(动词),“滥用”(动词),和“滥用”(动词),而不是“滥用”(名词)或“滥用”(名词);(vi)之前极性:指定这个词的情绪为积极、消极或中性的。图2显示单词计数对情感词典的极性。

3.3。极性标记

这一步分析每个单词在一个学生的反馈和标记词看作是积极的,消极的,使用其极性和中性情绪词典。中性词语从数据中删除他们不提供任何主体性线索。例如,考虑一个学生的反馈作为表的行5所示1:

”困难当然,伟大的老师也能力联系到实用知识。”

3.4。词频

这一步计算每个单词的频率在每一个评论。在上面的例子中,每个单词只发生一次;所以每个单词的频率是:

情绪词	→	困难	伟大的	能力	实用
词频	→	1	1	1	1

3.5。词的态度

这一步将每个单词的极性转换成数字值,进行进一步的计算。转换公式给出如下:

情绪词	→	困难	伟大的	能力	实用
词的态度	→	−1	+ 1	+ 1	+ 1

在上面的例子中,这个词困难负极性,所以它的态度是−1虽然伟大,能够和实践有积极的极性所以他们的态度是1。

3.6。整体的态度

一个词的总体态度是通过乘以其态度和频率。 继续用同样的例子,一个学生的反馈(行5表1),overallAttitude计算使用(2)。因为每个情绪词的频率是1,overallAttitude−1或+ 1所示如下:

情绪词	→	困难	伟大的	能力	实用
OverallAttitude	→	−1	+ 1	+ 1	+ 1

3.7。词云可视化

每个情绪词的总体态度从给定的评论列表是用来画一个词云。

3.8。情绪得分

在这一步中,分配给每个反馈评论一个情绪得分通过添加overallAttitude每个单词的反馈。这个分数是用来评估老师的表现。 在哪里是积极的和消极的词的数量反馈和代表一个特定的词。例如,在上面的例子中,这个词困难出现一次;因此它的频率是1而其态度是负面的。因此,这个词的overallAttitude困难−1。另一方面,单词伟大的,能力,实用还出现一次,所以它们的频率是1。因为他们的态度是积极的,所有这些话的overallAttitude是1。情绪评分计算通过添加overallAttitude的积极和消极词而忽略了中性色。情绪得分的总和overallAttitude每个情绪词的反馈。对于给定的示例,因此变得情绪指数

4所示。结果

本节提出的方法适用于文本反馈的学生提供的各种课程在我们的机构进行。提供的数据集包括1748名学生的反馈在63年底课程在2010年和2014年期间进行的。学生反馈的几个样本如表所示1。这些课程的招生是在25 - 45岁。

情感分析是使用Knime执行提供了一个开源的数据分析平台。它允许用户创建工作流和集成数据挖掘和文本处理等各种组件。根据前一节中讨论的方法,Knime工作流开发利用其文本处理组件图所示3。Knime工作流程分为五个主要部分:(我)阅读情感词典。这组节点读取情绪词典单词(主体性语料库)和分离成两个子列表:积极词汇和消极词汇。(2)读文件的学生的反馈。一个文件代表了学生的课程文本反馈。组节点从每个文件读取学生的反馈。(3)情绪标签。这组节点读取文本反馈并创建一个/袋的单词列表。这句话然后标记为积极或消极情绪中指定使用极性词的词典。(iv)预处理。这组节点擦除数据没有主体性线索如停止的话,标点符号,并执行其他任务减少噪音,包括转换,阻止,等等。(v)情绪分析。这组节点计算情绪得分并提供词云可视化用于教师评价。

4.1。情绪字典修改

必须指出,由于非正式的写作方式,积极和消极词的提取包括很多挑战。使用的一些词汇的极性学生主体性教育环境需要修改情绪语料库。考虑以下几个学生的反馈:(我)好(2)好吧(3)好老师。我没有任何消极的说(iv)伟大的老师虽然标记是严格的(v)有趣的老师(vi)好老师(七)某某小姐是很棒的老师(八)来老师,非常有效的学习,实践知识在课程中学到的。竖起大拇指

如果一个人遵循标准的情感词典,那上面的一些文字将归类为负。例如,单词小姐,讲座,很好,和有趣的分配现有通用情绪负极性的字典。然而,在学生们的反馈,他们不认为是负面的。这个词小姐指的是一个老师讲座是指一个类会话。这些词的极性,因此,应该是中性的。另一方面,单词细和有趣的通常在积极意义上在学术环境中使用他们的极性应该是积极的。代替这些差异,某些词的极性被修改的情感词典。这些词的列表如表所示2。

词的极性分布表中列出3。表清楚地表明,从4877年2730年积极词汇和消极词汇的情感词典,一个非常小的独特的单词数量一直在利用学生的反馈。这些话可能对应于教育情绪词汇。

另一个观察由文本反馈是评论通常短作为学生避免写长句子。很多时候,他们只写两个或三个词。图4条形图显示的单词数量在所有1748例学生的评论。在所有的情况下平均九个字的评论。

4.2。使用词云反馈分析

这个词云可视化是一个很好的交流方式的发现。对于这个研究,内置的词云Knime已经应用的可视化特性。它被称为预处理步骤如图3。词云完成1748条评论的一个例子是图所示5。红色的字是负极性而话的绿色有积极的极性。最频繁的词语好,有趣的,优秀的,实用,伟大的,有帮助的等等,以粗体显示的字体。这种可视化管理是非常有用的,以更好地了解学生的观点对于一个特定的课程或老师。词云也可以帮助识别趋势和模式,否则很难确定从阅读评论。此外,这个词云可视化也有助于教师的进步跟踪在一个特定的时间跨度。例如,这个词云如图6和7是相同的两个相似的课程老师在两个不同的学期,2010年秋季和2012年春季。它可以观察到,老师有更多的消极词汇2010年秋天,她的教学风格改善2012年春天也突出了一个较小的数量的消极词汇。这种类型的时态词云可以帮助管理跟踪教师经过一段时间的进步。

4.3。反馈分析使用情绪得分

本文的计算表明情绪得分为每个文本反馈解释部分3。计算表明在表4列出了一些评论,他们情绪得分,计算和实际的情绪。负面情绪得分表明负面的评论,同样地,积极的分数表明积极的评论。得分为0表示混合反馈(相同数量的积极的和消极的词语)。最后一列显示了实际的情绪识别手动通过阅读反馈。例如,评论1的情绪得分计算看作是积极的,也是鉴别。然而,在一些情况下,反馈是分类错误。例如,情绪得分而实际评论2计算的消极情绪是积极的。原因错误的分类是目前本文关注unigrams,不包含三元或更高阶n克将导致正确的分类。同样,几句话(如后期和休闲)需要被添加到字典,这将进一步提高了方法的准确性。

表5显示情绪识别的混淆矩阵以情绪分数预测对实际的观点。混淆矩阵有助于理解提出了方法的适用性。表显示有1028正反馈在我们的数据集和1002年被正确分类。同样,94年的176个负面评论被正确识别。中性的反馈(积极的和消极的),29日,30日反馈分类正确,只有1被确认为负。因此,该方法能够达到91.2%的精度。

进一步分析提出了情感分类方法的性能,回忆,精密,F测量计算了这三个类报道在表6。最好的表现为积极的情绪回忆和精确率最高。混合病例人数很少(30),但还是设法得到一个很好的回忆的方法虽然精度不是很高是因为一个小数量的记录。较低数量的记录也影响性能的负面反馈已召回,但低精度高。

4.4。比较情绪得分和基于李克特量表的教师评价

本节比较情绪得分的性能指标对Likert-based分数。如前面小节所示,情绪得分为每个范围的评论是消极的,积极的,或混合。李克特量表,另一方面,范围在0到5之间特定的课程。把情绪李克特量表得分指标比较,一种新的衡量标准,称为情绪的结果,建议及其计算所示 方程计算的和积极的和消极的词汇中发现的所有反馈的一个给定的课程。为了避免零总和,之前的抽样方案是利用假设2积极和消极词汇已经存在在每个评论。只有那些课程是认为至少有20积极和消极词可用。通过执行这个阈值,51课程被认为是最初的63年。表7显示了一些课程,比较他们的情绪结果对Likert-based分数而图8显示了两个指标的值在所有51个课程。两个分数的相关性被发现是0.64。云词和情绪得分,结果表明情绪指标可以进一步了解老师的性能。李克特量表得分是基于预先确定的问题而文本提供反馈的评论。由于这个原因,学生写其他积极/消极点没有特别要求在李克特量表的基础问题。因此,情绪得分,除了云词,让更多的了解老师的表现。

5。结论

本文对教师评价提供的学生进行情感分析的一门课程。Knime工作流开发利用其文本处理组件的情绪分析学生的反馈。提出的方法表明情绪得分的计算分类的反馈是积极的,消极的,或中性。测量其性能、精度、回忆,精密,F测量计算,结果发现是非常积极的。本文还证明了情绪得分是基于与聚合李克特量表的得分。然而,情绪得分,除了云词,给更多的洞察力与Likert-based分数是不可能的。这是由于这一事实李克特分数计算从一个预先确定的调查问卷,限制学生置评,只是问的问题是什么。文本反馈,另一方面,是开放式的。本文还建议使用修改后的主体性语料库在学术领域取得更好的结果。最后,它表明词云可视化技术将帮助独特见解老师的表现通常是不可以通过Likert-based分数。未来的工作将集中在分析三元和高阶n克为计算情绪得分。此外,更多的单词,经常使用在学术环境中,将添加到情绪词典。

相互竞争的利益

作者宣称没有利益冲突。

确认

作者感谢人工智能实验室的成员分享他们的教师评价,使这项工作成为可能。

引用

1. 美国MacKim和r·a·卡尔沃”情绪分析学生的学习经历,”第三届国际会议上教育数据挖掘学报》(EDM 10),页111 - 120,宾夕法尼亚州匹兹堡,美国,2010年6月。视图:谷歌学术搜索
2. c . k .梁、y . h·李和w . k . Mak“矿业在SMS文本情感教学评价”,专家系统与应用程序,39卷,不。3、2584 - 2589年,2012页。视图:出版商的网站|谷歌学术搜索
3. b . Jagtap诉Dhotre,“基于支持向量机和嗯混合方法的情绪分析教师反馈评估,”国际期刊的新兴趋势在计算机科学与技术(IJETTCS),3卷,不。3、229 - 232年,2014页。视图:谷歌学术搜索
4. j·奥格登和j·罗,“有意义的数据从金正日,s m &卡尔沃r . a (2010)。情绪分析学生的学习经历,”学报》第三届国际会议上教育数据挖掘美国宾夕法尼亚州,匹兹堡,2012。视图:谷歌学术搜索
5. w . Medhat, a·哈桑,h . Korashy“情感分析算法和应用程序:一项调查,”Ain Shams工程杂志,5卷,不。4、1093 - 1113年,2014页。视图:出版商的网站|谷歌学术搜索
6. a . Minanovićh . Gabelica,Ž。Krstić”、大数据和使用KNIME情绪分析:在线评论与社交媒体,”学报》第37届国际会议在信息和通信技术,电子和微电子(MIPRO 14)2014年5月,页1464 - 1468。视图:出版商的网站|谷歌学术搜索
7. l . Augustyniak t . Kajdanowicz p . Kazienko m . Kulisiewicz和w·Tuliglowicz”电影评论的情感分析方法:基于词典和分类,”混合人工智能系统:9日国际会议,2014年hai,萨拉曼卡,西班牙,2014年6月11 - 13日,。诉讼卷,8480在计算机科学的课堂讲稿施普林格,页168 - 178年,柏林,德国,2014年。视图:出版商的网站|谷歌学术搜索
8. s .罗森塔尔p . Nakov a·里特和诉Stoyanov”semeval - 2014任务9:情绪分析在twitter”第八届国际研讨会语义评价学报》上,页73 - 80,都柏林,爱尔兰,2014年8月。视图:谷歌学术搜索
9. h·赛义夫·m·费尔南德斯,y, h·阿兰尼人,“twitter情绪分析,评价数据集”学报第一国际研讨会在社会和情感和情绪表达媒体(ESSEM)结合AI∗IA会议、都灵、意大利,2013年。视图:谷歌学术搜索
10. n . Altrabsheh m . Gaber和m . Cocea“SA-E:情绪分析教育”学报第五凯斯智能决策技术国际会议(KES-IDT 13)2013年,Sesimbra,葡萄牙,。视图:谷歌学术搜索
11. a . Balahur r . Mihalcea, a . Montoyo”计算方法主观性和情绪分析:现在和设想的方法和应用,“电脑语音和语言,28卷,不。1、1 - 6,2014页。视图:出版商的网站|谷歌学术搜索
12. b . Liu“情绪分析和主体性,”自然语言处理的手册泰勒和弗朗西斯,佛罗里达州博卡拉顿,美国,第二版,2010年版。视图:谷歌学术搜索
13. 夏e·威尔士舒乐问,y, c . Havasi”意见挖掘和情感分析,新途径”IEEE智能系统,28卷,不。2、15至21,2013页。视图:出版商的网站|谷歌学术搜索
14. g·a·米勒,r·斯·c .编辑d·格罗斯和k·j·米勒,“wordnet概论:在线词汇数据库”,国际期刊的词典编纂,3卷,不。4、235 - 244年,1990页。视图:出版商的网站|谷歌学术搜索
15. s .穆罕默德·c·邓恩,b·多尔”生成高覆盖率的语义取向从公开的单词和一本同义词典,词典”程序的实证方法在自然语言处理会议(EMNLP ' 09),卷2,页599 - 608,新加坡,2009年8月。视图:谷歌学术搜索
16. S.-M。金姆和e . Hovy“确定意见,的情绪”20计算语言学国际会议的程序(科尔' 04),计算语言学协会,2004。视图:出版商的网站|谷歌学术搜索
17. 诉Hatzivassiloglou和k·r·部”预测形容词的语义取向”学报35协会的年度会议上对计算语言学和8日会议的欧洲章计算语言学协会(ACL的98),第181 - 174页,1997年。视图:出版商的网站|谷歌学术搜索
18. b .刘和l .张”的调查意见挖掘和情感分析挖掘文本数据激飞美国,页415 - 463年,2012年。视图:谷歌学术搜索
19. 庞,l·李和美国Vaithyanathan大拇指?:sentiment classification using machine learning techniques,” in《ACL-02会议经验方法在自然语言处理(EMNLP ' 02),10卷,第86 - 79页,2002年。视图:出版商的网站|谷歌学术搜索
20. n·c·彼得森,“情绪分析逻辑方法,”论文准备在信息学和丹麦技术大学的数学模型,http://www2.imm.dtu.dk/pubdb/views/edoc_download.php/6459/pdf/imm6459.pdf视图:谷歌学术搜索
21. m . Tsytsarau和t . Palpanas挖掘主观数据在网络上的调查,”数据挖掘和知识发现,24卷,不。3、478 - 514年,2012页。视图:出版商的网站|谷歌学术搜索
22. e·威尔士“介绍概念级别情绪分析,”软计算的发展及其应用课堂讲稿,在计算机科学中,页478 - 483,施普林格,柏林,德国,2013年。视图:谷歌学术搜索
23. b . Agarwal:米塔尔、p·邦萨尔和美国Garg“情绪分析使用常识和上下文信息,”计算智能和神经科学ID 715730条,卷。2015年,9页,2015。视图:出版商的网站|谷歌学术搜索
24. t·威尔逊,j . Wiebe p·霍夫曼,“短语级情感分析识别上下文极性,”《人类语言技术会议和会议经验方法在自然语言处理(停止/ EMNLP 05)354年,页347 -斯特劳斯堡,宾夕法尼亚州,美国,2005年10月。视图:谷歌学术搜索
25. 大肠Riloff和j . Wiebe“主观表达,学习提取模式”程序的实证方法在自然语言处理会议(EMNLP ' 03),页105 - 112,斯特劳斯堡,宾夕法尼亚州,美国,2003年7月。视图:谷歌学术搜索
26. j . Wiebe t·威尔逊,c的羊毛衫,“注释意见和情绪的表达语言,”语言资源和评价,39卷,不。2、165 - 210年,2005页。视图:出版商的网站|谷歌学术搜索
27. j .安a . Borowiec k·巴克利et al .,“CYBEREMOTIONS-collective情绪在网络空间,”Procedia计算机科学7卷,第222 - 221页,2011年。视图:出版商的网站|谷歌学术搜索
28. l . Goeuriot l .凯利·g·j·f·琼斯,h·穆勒和j·祖贝儿,“报告2014年SIGIR医学信息检索(MedIR)研讨会”市立图书馆论坛,48卷,不。2、78 - 82年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Quratulain拉其普特人等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。