阿拉伯语情绪分析:一个系统的文献回顾

文摘

最近越来越关注从不同的观点挖掘,研究社区有一个进化的作品在阿拉伯语情绪分析(ASA)。介绍了现有文献的系统回顾与ASA有关。审查的主要目标是支持研究,进一步提出在ASA领域未来的研究,以及平和其他研究者的搜索相关研究的进展。审查的结果提出情绪分类的分类方法。此外,现有方法的局限性突出显示在预处理步骤中,特征生成和情绪分类方法。一些可能为未来的研究趋势与ASA建议在实践和理论两方面。

1。介绍

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。

2。复习方法

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。

2.1。研究问题

确定研究问题的第一步是一个系统的复习。这一步必须简洁明了。在这项研究中,研究问题规定如下:(我)RQ1。研究的当前状态是什么?谁发表了?什么时候?(2)RQ2。ASA使用的最有效的方法是什么?(3)RQ3。这是最重要的差距和回顾了研究的局限性?(iv)RQ4。亚撒的未来的研究方向是什么?

2.2。搜索文献

本文的目标策略包括确定人口,选择资源,推导搜索字符串,包含和排除标准。本文涉及的文献检索过程查询著名期刊和会议处理ASA在斯高帕斯索引,包括一些数据库,如施普林格,爱思唯尔,IGI全球。审查的时间范围是发表的文章从2013年1月到2018年11月底。

根据研究问题,搜索关键词的排列进行。搜索查询(阿拉伯语,(情绪分析、观点挖掘、SA或OM))和(分类、分级机、预测或极性)。因此,调查研究了191年总数的出版物。总体而言,它是寻求回顾32期刊,81年从23日数据库程序。所选会议、期刊和数据库表中所示1。

这些出版物变化范围以及类型。在细节,单反包括期刊论文、会议论文、图书章节。指图1,最常用的是会议论文,涵盖了几乎70%的总来源。然而,评论和期刊文章是27%。相反,使用最少的资源书章节,贡献仅为3%。

2.3。包含和排除标准

综述文章利用多级过滤条件排斥与包容,表中描述2。排除过程称为质量评价。而包容过程称为实际筛选。

2.4。数据收集

收集的数据从每一篇文章进行ASA的审查确认包括以下:(我)源是否会议或期刊和完整的参考(2)这篇文章作者和他们的机构(3)文章标题、出版年和出版商(iv)SA进行任务的类型(v)数据集或词汇和其大小、域和源(vi)SA水平分类(七)SA的方法(八)SA算法和其准确性(第九)阿拉伯语语言类型(x)预处理过程(十一)特征选择和生成过程(十二)关联工具和应用程序来执行SA过程

这个单反进行了从2013年1月至2018年11月底导致191篇文章。图2描述了预先筛分过程的步骤的文章进行评审。首先,通过搜索一个试点研究期刊和会议。本试验研究的目的是测试搜索参数。这一步导致了142篇文章。其次,文章被减少到可容纳91观众的初始池通过选择相关的文章。这一步涉及删除重复的论文和过滤不相关的文章通过回顾标题和摘要。第三,再次进行了试点研究的新文章结束时,2018年11月收益率49的文章。最后,过滤并选择相关的文章又一次完成了阅读全文。发现只有108相关的文章在期刊和会议。

2.5。数据提取

这个阶段从综述论文显示考虑提取数据来回答研究的问题。亚撒所需的数据进行审查,包括SA任务的类型,数据集,域,和源,SA分类级别,SA方法,算法,阿拉伯语类型、预处理过程,特征选择和生成过程。

表3提出了文学的预处理步骤中使用的方法。这些预处理方法包括文本清洁,规范化,阻止,标记,词性(POS)标签,否定检测、分割、停止词删除,词元化,讽刺检测和命名实体识别。

在类似的情况下,亚撒,表中使用的数据集4介绍了大多数数据集大小和源从回顾中提取文件。这些数据集是由先行词的类别,范围从D01 D25,如第一列所示。第二列显示了在文献中使用的数据集的名称,如LABR、亚奥理事会,美国,和布拉德。分别介绍了数据集的大小及其变化趋势,从第三到第六列。数据集的大小从147到5615943不等的句子。此外,数据变化趋势积极、消极、中立。最后,最后一列提供数据来源涉及不同的领域,包括Twitter, Facebook,和其他人。

表5介绍了信息提取108研究有助于探索亚撒。如表所示5SA任务分为五项任务,包括检测方面(广告),构建资源(BR)、情绪分类(SC)、主观分类(主题C)和基于情感分析(SA)方面。阿拉伯语有三种类型,包括古典阿拉伯语(CA),现代标准阿拉伯语(MSA)和阿拉伯语方言(DA)。

此外,提供更多解释的记录不同的精度与多个算法和多个数据集,灵感来自三个印刷重点研究[66年,108年被利用。这些印刷重点包括下划线、粗体和斜体。例如,在行不。6,有三个算法三个数据集和三个不同的结果。区分它们,大胆的表明再邻居(资讯)算法与DS2数据集生产74.9%的准确性。同样,突显出用于说决策树算法(DT)数据集DS1生产74.37%的准确性。同样,斜体表示,然而,利用数据集DS3和功能技术生产的打84.02%的准确性。

此外,利用数据集的先例类别表5;否则,数据集的大小提出了如果数据集建立内部。同时,SA方法在第三列的表简约5给更详细的综述文章。这些方法涉及监督(苏),无监督(联合国),混合(Hb)、lexicon-based(磅),和semisupervised (Ss)。

3所示。发现

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。

3.1。预处理阿拉伯文字

阿拉伯语是一个丰富的语言,是一项具有挑战性的语言为NLP域。形态的复杂性和方言的品种需要先进的预处理(126年,127年]。另一个复杂性是在方言表达情绪和感觉,而不是MSA (126年]。阿拉伯语原始文本的预处理和分析非常减少噪音和提高效率。不幸的是,大多数研究集中在英语文本预处理;然而,很少有研究关注于阿拉伯语的文本(69年]。

图7显示了最预处理策略用于ASA的信息。

一般来说,显然是看到从图7大多数研究经过预处理的阶段,包括文本清洁、正常化,标记,停止词删除,并阻止。发现52%的文章认为阻止作为一个重要的一步。同时,文本清洁、正常化,停止词删除,并标记中使用30%,47%,44%,和45%,分别。

3.2。阿拉伯语情感分析的共同特征

机器学习了几个情绪分类的算法。然而,捕捉情绪写环境的挑战是选择最好的特性是利用(9]。功能提供全面总结的结果更精确的分析的观点128年]。图8揭示了ASA中使用最频繁的特性。每中使用的特性表明,综述文章,语法模型和语义和词汇特征是最高最低。

3.3。阿拉伯语情感分析的方法

回顾了研究介绍了一套广泛的方法和技术来解决ASA的问题。图9说明了ASA中使用的大多数方法。

显然注意到SVM和NB高度使用的方法的文章,而投票,提高和语义取向(所以)是最低的。支持向量机采用了几个以前的情绪分类工作导致74篇论文的108篇论文,在NB用于71篇论文。值得注意的是,应用支持向量机分类器在先前的研究一直优越或与其他分类器,比如NB。

3.4。阿拉伯语情绪分析应用程序

近年来,亚撒已经引起相当大的关注,其应用已经蔓延到几乎每一个可能的域。图10显示了大多数领域都有针对性的应用情绪分类。很明显观察到从图10许多研究人员倾向于应用SA在商业和经济、社会和政治领域编号在40岁至39岁的文章中,分别。相反,ASA是最低的领域解决教育、卫生、旅游,旅游为每个域编号3的研究。

大多数研究集中在亚撒的应用程序在一组有限的领域,如政治(15,48,62年,89年),酒店(79年,113年),商业和经济(12,20.,129年)、艺术和书籍(29日,32,92年)、娱乐、电影(71年,73年,99年),和运动81年,96年]

(发表了数篇论文12,74年,83年]研究等目的建立阿拉伯senti-lexicon ASA, ASA的框架设计,比较两个免费的在线SA支持阿拉伯语的工具。这些研究涉及收集小数据集规模小于3000推几个相关领域如教育、体育和政治。在[83年),每个域小微博是分开专用,包括教育。然而,本研究的缺点是,结果每个域被忽视,没有出现(83年]。此外,Al-Horaib et al。102年)在电子学习学习ASA使用传统ML算法,如支持向量机和NB。然而,数据集的体积是2000条及相关阿卜杜勒·阿齐兹国王大学。

总之,小的工作观察使用ASA情绪在教育领域进行分类。然而,没有目的取向研究人员研究领域。此外,收集到的数据小,分类的结果,这是相关的教育领域,并没有特别突出了讨论和澄清。

3.5。阿拉伯的情绪分析方法的分类

履行ASA,一些情绪提出了分类的方法。一个增强的阿拉伯语情绪分类的分类方法从[130年,131年提出了图11。

这种增强分类法在SA的分类方法,以前进行了综述和讨论,提出了在图11。如图,应用方法可分为基于使用机器学习的方法。毫升方法可以监督,无监督或semisupervised。监督毫升的方法可以分为概率和非概率。一方面,NB,最大熵(我),条件随机场(CRF),贝叶斯网络(BN),逻辑回归(LR)概率分类方法的例子。另一方面,支持向量机,然而,DT,规则,和神经网络,包括学习和传统的神经网络可分为非概率分类方法。无监督毫升的方法,如遗传和聚类算法,利用时很难找到标记文件。所有集合方法,如随机森林,投票,装袋,提振,叠加,可以归类为semisupervised方法。此外,亚撒方法不同的使用词典。这些方法可以基于字典,语料库,或者本体。 In addition, the applied methods can be a hybrid of ML and semantic orientation approaches. The modification done in Figure11需要添加一些方法,如DL,传统的神经网络,遗传算法,聚类,LR, CRF,所有整体方法和基于本体的方法。

4所示。讨论和未来的研究途径

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-Orfali26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。

4.1。影响

根据评审工作,有几个趋势发现亚撒地区。很明显,综述文献覆盖亚撒从分类的角度具体领域的相关方法和构建资源。值得应用SA在许多领域有针对性的与最热门的方法。

然而,许多问题至今仍未充分讨论和解决在亚撒。这些问题包括缺点和评审工作中存在的差距,从而指出了影响暴露评估ASA的几篇文章。这些影响包括两个方面:对未来的研究和实践。

以下4.4.1。对未来的研究

单反专注于贡献的现有文献有关ASA,几乎影响,为未来的研究,讨论如下:(我)深入学习技术的应用对阿拉伯语的情绪是由一些研究进行分类。然而,它并不应用于许多领域,如教育。(2)一个全面的范式,表达了预处理过程在各种情况下的所有细节得出适当的开发过程满足阿拉伯语的特点。(3)构建一个阿拉伯语词汇是一个开放的领域。大多数研究人员建立了许多词汇,要么是有限的大小或不公开。因此,对每个域的词汇应该建立以来很少有自由访问阿拉伯语语料库和SA的词汇。(iv)很明显从表5许多研究人员声称取得了高情绪分类的准确性,虽然他们应用分类器没有标准化的数据集。因此,这可能是不可靠的。因此,研究的结果不能推广,除非有一个标准化的DS作为基准不同的域。(v)最新特性表征为阿拉伯语借用了其他语言,比如英语。因此,开发新的特性表示适合阿拉伯语特征将有助于提高分类结果。

4.1.2。对实践

ASA仍然需要适用的系统。这些系统应该考虑以下几点:(我)不完整的解决方案介绍了分类观点或意见和预测事件的结果。因此,有必要开发推荐系统在许多领域,例如,经济,商业智能,政治,体育,教育,等等。(2)一个增强ASA框架在不同领域贡献广泛改善性能的几个行业。这将提高一个组织的精神形象通过改善他们的服务和产品,因此,客户满意度和收入。

5。结论

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。

的利益冲突

作者宣称没有利益冲突。

引用

1. t·t·提斯J.-C。Na, c . s .邱”向情绪分析讨论版的电影评论,”信息科学杂志》,36卷,不。6,823 - 848年,2010页。视图:谷歌学术搜索
2. h . Yu和诉Hatzivassiloglou”,对回答意见的问题:区分事实与意见并确定意见的句子的极性,”学报2003年大会在自然语言处理的经验方法,页129 - 136,计算语言学协会2003年7月,日本札幌。视图:谷歌学术搜索
3. k·拉维诉拉维,“调查意见挖掘和情感分析:任务、方法和应用,“以知识为基础的系统卷。89年,14-46,2015页。视图:出版商的网站|谷歌学术搜索
4. 庞b和l . Lee,”意见挖掘和情感分析”,在信息检索基础和趋势,卷2,不。1 - 2、1 - 135、2008页。视图:出版商的网站|谷歌学术搜索
5. b .刘和l .张”的调查意见挖掘和情感分析挖掘文本数据施普林格,页415 - 463年,柏林,德国,2012年。视图:谷歌学术搜索
6. a . Abbasi h·陈,a·萨勒姆,“情绪分析在多种语言:特征选择在网络论坛意见分类”ACM交易信息系统(钢铁洪流),26卷,不。3 p。2008。视图:出版商的网站|谷歌学术搜索
7. a . Farghaly和k . Shaalan”阿拉伯语自然语言处理:挑战和解决方案。”ACM交易在亚洲语言信息处理(TALIP),8卷,不。4,p。2009。视图:出版商的网站|谷歌学术搜索
8. m . Rushdi-Saleh m . t . Martin-Valdivia l . a . Urena-Lopez和j·m·Perea-Ortega“亚奥理事会:意见为阿拉伯语语料库,”《美国社会信息科学和技术,卷62,不。10日,2045 - 2054年,2011页。视图:出版商的网站|谷歌学术搜索
9. s . s . Alotaibi“情绪分析使用机器学习阿拉伯语,”科罗拉多州立大学,柯林斯堡有限公司美国2015年博士论文。视图:谷歌学术搜索
10. p·d·特尼,”投赞成或反对票?:语义取向应用于非监督分类的评论,”美国40对计算语言学协会年度会议,页417 - 424,计算语言学协会,费城,宾夕法尼亚州,美国,2002年7月。视图:谷歌学术搜索
11. r . Tsarfaty d . Seddah y . Goldberg et al .,“统计解析形态丰富的语言(SPMRL):什么,如何以及向何处去,”《NAACL停止2010第一车间统计Morphologically-Rich语言的解析计算语言学协会,页1 - 12,洛杉矶,CsA,美国,2010年6月。视图:谷歌学术搜索
12. r·t·Khasawneh h·a . Wahsheh m . n . Al-Kabi和i m . Alsmadi”情绪分析阿拉伯社会媒体的内容:比较研究,”2013第八届国际会议网络技术与安全交易(ICITST)IEEE,页101 - 106年,洛杉矶,美国,2013年6月。视图:谷歌学术搜索
13. h . Al-Rubaiee r .秋和d·李”识别mubasher通过阿拉伯语微博情感分析,软件产品”《2016年国际会议上工业信息学和计算机系统(中智),页1 - 6、IEEE Sharjah-Dubai,阿联酋,2016年3月。视图:谷歌学术搜索
14. m . Al-Smadi o . Qawasmeh m . Al-Ayyoub y Jararweh,和b·古普塔“深度递归神经网络和支持向量机基于情感分析的阿拉伯酒店评论,”计算机科学期刊27卷,第393 - 386页,2018年。视图:出版商的网站|谷歌学术搜索
15. 其子a.s.。穆罕默德,o . Qwasmeh b . Talafha m . Al-Ayyoub y Jararweh,大肠Benkhelifa,”一个增强框架基于情感分析酒店的评论:阿拉伯语评论案例研究”学报2016年11日国际会议对网络技术与安全交易(ICITST)IEEE,页98 - 103年,巴塞罗那,西班牙,2016年12月。视图:谷歌学术搜索
16. a . Elouardighi m . Maghfour h . Hammia, F.-z。情绪分析Aazi”,机器学习方法在标准或阿拉伯语方言的facebook评论,”学报2017年云计算技术和应用的第三国际会议(CloudTech),页1 - 8,IEEE,拉巴特摩洛哥,2017年10月。视图:谷歌学术搜索
17. m . Mataoui t·e·b·Hacine Tellache, A . Bakhtouchi o . Zelmati,“一个新的syntax-based方面情绪分析检测方法用阿拉伯语评论,”学报2018年第二次国际会议上自然语言和语音处理(ICNLSP)特兰托,页1 - 6,IEEE,意大利,2018年4月。视图:谷歌学术搜索
18. 其子a.s.。穆罕默德,m . Al-Ayyoub h . n . Al-Sarhan y Jararweh,“一个基于情感分析的方法来评估阿拉伯语新闻影响读者,“通用计算机科学杂志》上,22卷,不。5,630 - 649年,2016页。视图:谷歌学术搜索
19. z Kechaou, A·瓦利·m·本·Ammar, h . Karray和A . m . Alimi”小说系统视频新闻的情绪分析。”系统和信息技术杂志》上,15卷,不。1,注意寻找车号为24 - 44,2013页。视图:出版商的网站|谷歌学术搜索
20. a . Hammad和a . El-Halees”的方法来检测垃圾邮件在阿拉伯语看来评论,”阿拉伯国际信息技术杂志》上,12卷,2013年。视图:谷歌学术搜索
21. c . Okoli和k . Schabram指南对信息系统进行系统的文献综述研究,“豆芽:工作底稿信息系统,10卷,不。26日,2010年。视图:谷歌学术搜索
22. d . Tranfield d否认,p .聪明,“对的方法阐述循证管理知识通过系统回顾、发展”英国管理杂志》上的,14卷,不。3、207 - 222年,2003页。视图:出版商的网站|谷歌学术搜索
23. b . Kitchenham和美国特许学校,”指导方针,执行系统的文学评论在软件工程中,“技术代表、英国基尔大学、基尔,英国,2007年,EBSE技术报告(EBSE - 2007 - 01)。视图:谷歌学术搜索
24. m . s . Ahmed Pasquier, g . Qadah”关键问题在阿拉伯社会媒体文本进行情感分析,”学报2013年9日创新信息技术国际会议(IIT)IEEE,页72 - 77年,2013年7月,加拿大,温哥华。视图:谷歌学术搜索
25. m . n . Al-Kabi i m . Alsmadi r·t·Khasawneh和h·a·Wahsheh“阿拉伯语的意见挖掘中评估社会环境。”阿拉伯国际信息技术杂志》上,15卷,不。6,974 - 982年,2018页。视图:谷歌学术搜索
26. r . Duwairi和m . El-Orfali预处理的影响的研究策略对阿拉伯语的文本情感分析,“信息科学杂志》,40卷,不。4、501 - 513年,2014页。视图:出版商的网站|谷歌学术搜索
27. 阿卜杜勒m . n . Al-Kabi n a, m . Al-Ayyoub“阿拉伯的情绪的分析研究:maktoob案例研究,”2013第八届国际会议的程序网络技术与安全交易(ICITST)IEEE,页89 - 94年,伦敦,英国,2013年12月。视图:谷歌学术搜索
28. m·m·安·m·a·西迪基,f·纳迪姆,“Pre-trained字嵌入的阿拉伯语基于情感分析的航空公司微博,”《国际先进的智能会议系统和信息施普林格,页241 - 251年,开罗,埃及,2018年9月。视图:谷歌学术搜索
29. a . Elnagar“阿拉伯语评论情感分析,调查”学报2016年IEEE / ACS第13届国际会议的计算机系统和应用程序(AICCSA)阿加迪尔,页1 - 7,IEEE,摩洛哥,2016年11月。视图:谷歌学术搜索
30. a Elnagar o . Einea,”布拉德1.0:书评阿拉伯语的数据集,”学报2016年IEEE / ACS第13届国际会议的计算机系统和应用程序(AICCSA)阿加迪尔,页1 - 8,IEEE,摩洛哥,2016年11月。视图:谷歌学术搜索
31. w . Cherif a Madani, m、蓄”对一个有效的意见测量用阿拉伯语评论,”Procedia计算机科学卷,73年,第129 - 122页,2015年。视图:出版商的网站|谷歌学术搜索
32. m . Itani想知道c .烤,s . Al-Khayatt”全集阿拉伯语的文本情感分析的社会媒体,”学报》2017年第八届国际会议信息和通信系统(ICICS)IEEE,页64 - 69年,马林,约旦,2017年4月。视图:谷歌学术搜索
33. 答:a . Altowayan l .道,“嵌入的阿拉伯语情绪分析,”学报2016年IEEE国际会议上大数据(大数据)IEEE,页3820 - 3825年,华盛顿特区,2016年12月。视图:谷歌学术搜索
34. a . s . Alqarafi阿迪尔,m . Gogate k . Dashitpour a·侯赛因和t·杜兰尼,“向阿拉伯语综合情绪分析,”国际会议的程序通信、信号处理和系统施普林格,页2378 - 2386年,哈尔滨,中国,2017年7月。视图:谷歌学术搜索
35. A . Aliane h . Aliane m . Ziane, n . Bensaou“基于遗传算法的特征选择方法阿拉伯情绪分类,”ACS第13次国际会议的程序计算机系统和应用程序(AICCSA)阿加迪尔,页1 - 6,IEEE,摩洛哥,2016年11月。视图:谷歌学术搜索
36. n . f . b . Hathlian和a . m .哈菲兹”Sentiment-subjective分析阿拉伯社会媒体文章、框架”《沙特国际会议信息技术(大数据分析)(KACSTIT)IEEE,页1 - 6,利雅得,沙特阿拉伯,2016年11月。视图:谷歌学术搜索
37. A . Shoukry和A . Rafea”情绪分类的混合方法埃及方言tweet,”学报2015年第一次国际会议上阿拉伯计算语言学(acl)IEEE,页78 - 85年,开罗,埃及,2015年。视图:谷歌学术搜索
38. a . y . Al-Obaidi和v . w . Samawi评论意见挖掘:分析用阿拉伯语口语,”《世界大会在工程和计算机科学,1卷,伦敦,英国,2016年11月。视图:谷歌学术搜索
39. t·h·a·苏莱曼·m·a·m·a·r·Hedar m·阿里和m .床铺,“挖掘社交网络的阿拉伯语俚语评论,”数据挖掘学报IADIS欧洲会议,p。24日,第22卷,布拉格,捷克共和国,2013年7月。视图:谷歌学术搜索
40. A·哈姆迪·k·沙,A。,“职业专用情绪分析框架,”ACM交易在亚洲和资源缺乏语言信息处理(TALLIP),17卷,不。4,p。2018。视图:出版商的网站|谷歌学术搜索
41. m . m . Altawaier和美国Tiun比较机器学习方法在阿拉伯语twitter情绪分析,“国际期刊《先进科学、工程和信息技术》第六卷,没有。6,1067 - 1073年,2016页。视图:出版商的网站|谷歌学术搜索
42. h . k . Aldayel和a . m .阿,”阿拉伯语微博情感分析混合动力方案,“信息科学杂志》,42卷,不。6,782 - 797年,2016页。视图:出版商的网站|谷歌学术搜索
43. 美国Al-Azani E.-S。m . El-Alfy”emojis与阿拉伯语的文本情感分类的特点、结合”学报》2018年第九届国际会议信息和通信系统(ICICS)IEEE,页139 - 144年,马林,约旦,2018年4月。视图:谷歌学术搜索
44. a . Elnagar o . Einea, l .露露”的情绪分类比较研究自动化拉丁评论翻译成阿拉伯语,”学报2017年IEEE / ACS 14日国际会议上计算机系统和应用程序(AICCSA)IEEE,页443 - 448年,哈,突尼斯,2017年10月。视图:谷歌学术搜索
45. 答:a . Altowayan和a . Elnagar“改善阿拉伯语与sentiment-specific嵌入的情绪分析,”学报2017年IEEE国际会议上大数据(大数据)IEEE,页4314 - 4320年,波士顿,MA,美国,2017年12月。视图:谷歌学术搜索
46. s . Abuelenin s Elmougy大肠Naguib,“Twitter为阿拉伯语微博情感分析,”《国际先进的智能会议系统和信息施普林格,页467 - 476年,开罗,埃及,2017年9月。视图:谷歌学术搜索
47. a·马哈茂德·t·Elghazaly,“使用twitter来监控政治情绪阿拉伯语俚语,”聪明的自然语言处理:趋势和应用程序施普林格,页53 - 66年,柏林,德国,2018年。视图:谷歌学术搜索
48. a . Elouardighi m . Maghfour, h . Hammia”收集和处理阿拉伯facebook评论情感分析,”国际会议模型的程序和数据工程施普林格,页262 - 274年,巴塞罗那,西班牙,2017年10月。视图:谷歌学术搜索
49. A.-K。a . Shatnawi Al-Tamimi, e . Bani-Issa“阿拉伯youtube的情绪分析评论,”学报2017年IEEE约旦应用电气工程与计算技术会议(AEECT),页1 - 6,IEEE,安曼,约旦,2017年10月。视图:谷歌学术搜索
50. h . AL-Rubaiee r .秋k Alomar, d . Li”技术为提高标签的情绪分析过程在沙特股市,”国际期刊《先进的计算机科学和应用程序,9卷,不。3,34-43,2018页。视图:出版商的网站|谷歌学术搜索
51. h . Abdellaoui和m . Zrigui”使用推特和emojis构建而:情绪分析的阿拉伯语的数据集,”Computacion Y sistema,22卷,不。3,2018。视图:谷歌学术搜索
52. f·h·h·Mahyoub m·a·西迪基,m·达哈伯y”建立一个阿拉伯语的情绪词汇使用semi-supervised学习”,沙特国王大学计算机与信息科学杂志》上,26卷,不。4、417 - 424年,2014页。视图:出版商的网站|谷歌学术搜索
53. n . El-Naggar y El-Sonbaty, m . a . El-Nasr”情绪分析现代标准阿拉伯语和埃及的阿拉伯语方言的tweet,”程序计算的会议IEEE,页880 - 887年,伦敦,英国,2017年7月。视图:谷歌学术搜索
54. g . Alwakid t·奥斯曼,t . Hughes-Roberts”挑战阿拉伯的情绪分析社交网络,”Procedia计算机科学卷,117年,第100 - 89页,2017年。视图:出版商的网站|谷歌学术搜索
55. m . Biltawi g . Al-Naymat, s . Tedmori“阿拉伯的情绪分类:一个混合的方式,”学报2017年计算机科学国际会议上新趋势(ICTCS)IEEE,页104 - 108年,安曼,约旦,2017年10月。视图:谷歌学术搜索
56. r . Bouchlaghem a Elkhelifi, r·费兹”情绪分析用阿拉伯语twitter发布使用监督方法的结合特性,”《智能文本处理和计算语言学国际会议施普林格,页320 - 334年,科尼亚,土耳其,2016年4月。视图:谷歌学术搜索
57. y AlMurtadha”,阿拉伯语情绪分析挖掘热门散列标签,”国际期刊《先进的计算机科学和应用程序,9卷,不。2、189 - 194年,2018页。视图:出版商的网站|谷歌学术搜索
58. a . AL-Saffar b·萨·h·道,s . Awang m·阿卜杜勒·马吉德和w·艾尔Saiagh”情绪分析用阿拉伯语社交媒体使用关联规则挖掘,”工程和应用科学杂志》上11卷,第3247 - 3239页,2016年。视图:谷歌学术搜索
59. h .喇合、a . Zitouni和m . Djoudi”SIAAC:情绪极性识别阿拉伯阿尔及利亚报纸评论,”系统和软件程序的计算方法施普林格,页139 - 149年,2017年9月,波兰什切青市。视图:谷歌学术搜索
60. n . Boudad r . Faizi r . Thami, r . Chiheb”阿拉伯语tweet的情绪分类:监督方法,”《移动多媒体,13卷,不。3 - 4、233 - 243年,2017页。视图:谷歌学术搜索
61. 问:a . Al-Radaideh和g . y . Al-Qudah”应用的基于集合的特征选择阿拉伯语情绪分析,“认知计算,9卷,不。4、436 - 445年,2017页。视图:出版商的网站|谷歌学术搜索
62. t . Elghazaly, a·马哈茂德·h·a·Hefny“政治情绪分析使用twitter数据”《物联网和云计算国际会议ACM, p。11日,剑桥,英国,2016年3月。视图:谷歌学术搜索
63. h . Awwad和a . Alpkocak”性能的比较不同的情绪分析词汇在阿拉伯语中,“学报2016年第三欧洲网络情报会议(ENIC)IEEE,页127 - 133年,2016年9月,波兰弗罗茨瓦夫。视图:谷歌学术搜索
64. a . Bayoudhi h . Ghorbel, l . h . Belguith”情绪阿拉伯语的分类文档:实验多类型特征和整体算法,”第29届亚太会议程序语言、信息和计算,第205 - 196页,上海,中国,2015年10月。视图:谷歌学术搜索
65. o . El阿里斯和l . m . Alnemer”形态分析的基础阿拉伯语情绪书评,”《计算语言学国际会议和智能文本处理施普林格,页115 - 128年,布达佩斯,匈牙利,2017年4月。视图:谷歌学术搜索
66. r·贝尔·h·麦加朝圣:哈巴什,k b·沙和w·El-Hajj”情绪树图资料库和形态丰富的递归深度模型有效的情绪分析在阿拉伯语中,“ACM交易在亚洲和资源缺乏语言信息处理(TALLIP),16卷,不。4、2017年p。23日。视图:出版商的网站|谷歌学术搜索
67. m . Maghfour和a . Elouardighi”标准和阿拉伯语方言的情绪分析文本分类,”国际会议模型的程序和数据工程施普林格,页282 - 291年,马拉喀什,摩洛哥,2018年10月。视图:谷歌学术搜索
68. k . m . Alomari h . m . ElSherif, k . Shaalan“使用机器学习阿拉伯语微博情感分析,”学报》国际会议产业、工程和应用智能系统的其他应用程序施普林格,页602 - 610年,阿拉斯,法国,2017年10月。视图:谷歌学术搜索
69. Sabih, a Sallam, g . s . El-Taweel”操纵情绪分析挑战形态丰富的语言,”《国际先进的智能会议系统和信息施普林格,页429 - 439年,开罗,埃及,2017年9月。视图:谷歌学术搜索
70. r . m . Duwairi和Qarqaz,“阿拉伯情绪分析利用监督分类,”《2014年国际会议上未来的物联网和云(FiCloud)IEEE,页579 - 583年,罗马,意大利,2014年8月。视图:谷歌学术搜索
71. Atia和k Shaalan”,阿拉伯语,增加意见挖掘的准确性”学报2015年第一次国际会议上阿拉伯计算语言学(acl)IEEE,页106 - 113年,科尼亚,土耳其,2015年4月。视图:谷歌学术搜索
72. r . m . Duwairi“辩证情绪分析阿拉伯语,”学报2015年6日国际会议信息和通信系统(ICICS)IEEE,页166 - 170年,安曼,约旦,2015年4月。视图:谷歌学术搜索
73. w·a·艾哈迈德和a . m . El-Halees“阿拉伯意见挖掘使用并行决策树,”学报2017名巴勒斯坦信息和通信技术国际会议(PICICT)IEEE,页46 - 52点,加沙地带,巴勒斯坦,2017年5月。视图:谷歌学术搜索
74. r . m . Duwairi和i Qarqaz”,阿拉伯语的框架情绪分析利用监督分类,“国际期刊的数据挖掘、建模和管理,8卷,不。4、369 - 381年,2016页。视图:出版商的网站|谷歌学术搜索
75. j . Akaichi”情绪分类的时候突尼斯起义:机器学习技术应用于新的阿拉伯语语料库,”2014年欧洲网络智能会议(ENIC)页38-45 IEEE,波兰弗罗茨瓦夫2014年9月。视图:谷歌学术搜索
76. 问:a . Al-Radaideh和l . m . Twaiq”阿拉伯语情绪分类、粗糙集理论”《2014年国际会议上未来的物联网和云(FiCloud)IEEE,页559 - 564年,罗马,意大利,2014年8月。视图:谷歌学术搜索
77. j . m . Perea-Ortega m . t . Martin-Valdivia l . a . Urena-Lopez和e . Martinez-Camara”提高极性双语平行语料库结合机器学习分类和语义取向方法,”《美国社会信息科学和技术,卷64,不。9日,第1877 - 1864页,2013年。视图:出版商的网站|谷歌学术搜索
78. a . Mountassir h . Benbrahim和i Berraba情绪在阿拉伯语语料分类。初步cross-study。”文档Numerique,16卷,不。1,第96 - 73页,2013。视图:出版商的网站|谷歌学术搜索
79. a . Elnagar y s哈里发,a . Einea”酒店Arabic-reviews数据集建设对于情绪分析应用程序,”聪明的自然语言处理:趋势和应用程序页35-52 Springer,柏林,德国,2018年。视图:谷歌学术搜索
80. a . El-Halees和a . Al-Asmar”本体基础阿拉伯语的意见挖掘。”信息和知识管理杂志》上,16卷,不。3 p。1750028, 2017。视图:出版商的网站|谷歌学术搜索
81. a . m . Mostafa”自动词汇exceptional-negation阿拉伯情绪用监督分类的算法,”理论与应用信息技术杂志》上,卷95,不。15日,2017年。视图:谷歌学术搜索
82. a . Nuseir m . Al-Ayyoub m . Al-Kabi g . Kanaan和r . Al-Shalabi“改进的层次分类器多路情绪分析,”国际阿拉伯信息技术杂志》(IAJIT),14卷,2017年。视图:谷歌学术搜索
83. t . Al-Moslmi m .交易量达到a . Al-Shabi n .奥马尔和s·阿卜杜拉,”阿拉伯语阿拉伯语senti-lexicon:构建公开可用的语言资源情绪分析,“信息科学杂志》,44卷,不。3、345 - 362年,2018页。视图:出版商的网站|谷歌学术搜索
84. l . Abd-Elhamid d Elzanfaly, a . s . Eldin“基于功能的情绪分析阿拉伯语在线评论,”学报2016年11日国际会议上计算机工程与系统(icc)IEEE,页260 - 265年,开罗,埃及,2016年12月。视图:谷歌学术搜索
85. a . r . Hedar和m .床铺,“挖掘社交网络阿拉伯语俚语评论,”《IEEE研讨会上计算智能和数据挖掘(CIDM),新加坡,2013年4月。视图:谷歌学术搜索
86. m·马斯里:Altrabsheh、h·曼苏尔和A·拉姆齐“阿拉伯情绪分析一个基于web的工具,”Procedia计算机科学卷。117年,38-45,2017页。视图:出版商的网站|谷歌学术搜索
87. w . Cherif、A . Madani和m .、“阿拉伯的意见挖掘的新建模方法识别,”诉讼的2015智能系统和计算机视觉(ISCV)IEEE,页1 - 6,摩洛哥非斯,2015年3月。视图:谷歌学术搜索
88. a . Barhoumi y·e·c·Aloulou, l . h . Belguith“文档嵌入的阿拉伯语情绪分析,”程序的语言处理与知识管理会议2017年9月,突尼斯斯法克斯。视图:谷歌学术搜索
89. w . Cherif、A . Madani和m .、“低级的组合光阻止阿拉伯语和支持向量机的分类观点,”学报2016年11日国际智能会议系统:理论和应用程序(SITA),页1 - 5、IEEE Mohammedia,摩洛哥,2016年10月。视图:谷歌学术搜索
90. 美国Al-Azani E.-S。m . El-Alfy“混合深度学习阿拉伯语微博的情感极性的决心”神经信息处理程序国际会议施普林格,页491 - 500年,广州,中国,2017年11月。视图:谷歌学术搜索
91. m . abb z Kechaou, a . m . Alimi”增强情绪分析深度学习模型在阿拉伯社会媒体,”神经信息处理程序国际会议施普林格,页667 - 676年,广州,中国,2017年11月。视图:谷歌学术搜索
92. 卜拉希米b、m . Touahria和a·塔里”数据和文本挖掘技术分类阿拉伯tweet极性,”数字信息管理杂志》上,14卷,不。1,2016。视图:谷歌学术搜索
93. m . i Touati Graja、m . Ellouze和l . h . Belguith”对阿拉伯语语义观点挖掘:确定意见,极性和强度,”地中海会议程序模式识别和人工智能ACM,页131 - 136年,Tebessa,阿尔及利亚,2016年11月。视图:谷歌学术搜索
94. m·a·Sghaier和m . Zrigui”情绪分析阿拉伯语电子商务网站”国际会议工程学报》& MIS (ICEMIS)阿加迪尔,页1 - 7,IEEE,摩洛哥,2016。视图:谷歌学术搜索
95. w·a·该镇实行y . m . Tashtoush m . Al-Ayyoub和m . n . Al-Kabi”表情符号是否足够好,阿拉伯tweet的情感分类器训练?“在第七届国际会议的程序在计算机科学和信息技术(CSIT)IEEE,页1 - 6,芬兰赫尔辛基,2016年6月。视图:谷歌学术搜索
96. r·t·Khasawneh h·a . Wahsheh i m . Alsmadi和m . n . AI-Kabi”阿拉伯语情绪极性标识使用混合方法,”学报2015年6日国际会议信息和通信系统(ICICS)IEEE,页148 - 153年,安曼,约旦,2015年4月。视图:谷歌学术搜索
97. r . Bouchlaghem a Elkhelifi, r·费兹“基于支持向量机的方法对意见分类用阿拉伯语写微博,”学报2015年IEEE / ACS 12国际会议的计算机系统和应用程序(AICCSA)马拉喀什,页1 - 4,IEEE,摩洛哥,2015年11月。视图:谷歌学术搜索
98. A . e . Rihab b·费兹和Rim,”一个阿拉伯语的机器学习分类方法情绪推文,”学报第六届国际会议上网络情报,采矿和语义ACM, p。24日,尼姆,法国,2016年6月。视图:谷歌学术搜索
99. 伊斯梅尔,A Alsammak, t . Elshishtawy”一个通用的方法提取方面和阿拉伯语评论、意见”学报第十届国际会议信息和系统ACM,页173 - 179年,开罗,埃及,2016年5月。视图:谷歌学术搜索
100. m . Hammad和m . Al-awadi”阿拉伯语评论的情感分析社交网络使用机器学习”信息技术:新一代施普林格,页131 - 139年,柏林,德国,2016年。视图:谷歌学术搜索
101. w . Adouane和r·约翰逊”情绪分析海湾阿拉伯语语言资源建设,”《2016年国际会议上语言资源和评估、Portorož斯洛文尼亚,2016年5月。视图:谷歌学术搜索
102. l . Al-Horaibi和m . b .汗”,情绪分析阿拉伯语的微博使用文本挖掘技术,”第一届国际研讨会论文集在模式识别卷。10011年,国际社会对于光学和光子学,东京,日本,2016年5月。视图:谷歌学术搜索
103. n . Al-Twairesh h·阿勒哈利法,a . AlSalman”Arasenti:大规模twitter-specific阿拉伯语情绪词汇”美国第54计算语言学协会的年度会议,1卷,页697 - 705,柏林,德国,2016年8月。视图:谷歌学术搜索
104. h . Al-Rubaiee r .秋k . Alomar d·李,“情绪分析在线学习的阿拉伯语微博”计算机科学期刊,12卷,不。11日,第563 - 553页,2016年。视图:出版商的网站|谷歌学术搜索
105. b . Al Shboul m . Al-Ayyoub y Jararweh,“多路情绪阿拉伯语评论、分类”学报2015年6日国际会议信息和通信系统(ICICS)IEEE,页206 - 211年,安曼,约旦,2015年4月。视图:谷歌学术搜索
106. m . Alhazmi n·萨利姆,“阿拉伯语的观点从微博中提取目标,”ARPN工程和应用科学杂志》上,10卷,不。3、1023 - 1026年,2015页。视图:谷歌学术搜索
107. Al-Osaimi和k . m . Badruddin”角色的情感图标在阿拉伯语微博人气分类,”学报第六届国际会议上紧急数字生态系统的管理ACM,页167 - 171年,Buraidah艾尔卡西姆,沙特阿拉伯,2014年9月。视图:谷歌学术搜索
108. e . Refaee”情绪分析为微博平台在阿拉伯语中,“社会计算国际会议和社交媒体施普林格,页275 - 294年,温哥华,加拿大,2017年7月。视图:谷歌学术搜索
109. 美国Al-Azani E.-S。m . El-Alfy”不平衡的情绪极性检测使用emoji-based特性和装袋合奏,”学报2018年1日计算机应用与信息安全国际会议(华人)IEEE,页1 - 5,利雅得,沙特阿拉伯,2018年4月。视图:谷歌学术搜索
110. a . El阿里t . c . Stratmann美国公园,j .肖恩w . Heuten s c·鲍尔,“测量、理解和分类新闻媒体在twitter上同情危机事件后,“学报2018年气会议在计算系统的人为因素p。556年,ACM,蒙特利尔,加拿大,2018年4月。视图:谷歌学术搜索
111. m . Al-Batah s Mrayyen, m . Alzaqebah“朴素贝叶斯的调查结合多层感知器对阿拉伯语情绪分析和观点挖掘,”计算机科学期刊,14卷,第1114 - 1104页,2018年01。视图:谷歌学术搜索
112. A . m . Alayba诉Palade m .英格兰和r·伊克巴尔的“联合CNN和LSTM阿拉伯文情绪分析、模型”跨域国际会议的程序机器学习和知识提取施普林格,页179 - 191年,汉堡,德国,2018年8月。视图:谷歌学术搜索
113. m . Al-Smadi m . Al-Ayyoub y Jararweh, o . Qawasmeh“增强基于情绪分析阿拉伯酒店的评论使用形态、句法和语义特点”,信息处理与管理施普林格,柏林,德国,2018年。视图:谷歌学术搜索
114. m . Gridach、h·哈达德和h . Mulki“实证评价词表示阿拉伯情绪分析,”《阿拉伯语国际会议上处理施普林格,页147 - 158年,土耳其毡帽,摩洛哥,2017年10月。视图:谷歌学术搜索
115. 美国Al-Azani E.-S。m . El-Alfy”使用词高度不平衡数据的嵌入和集成学习情绪分析简而言之阿拉伯文字,“Procedia计算机科学卷,109年,第366 - 359页,2017年。视图:出版商的网站|谷歌学术搜索
116. m . Abdul-Mageed”建模阿拉伯语词汇空间的主观性和情绪。”信息处理与管理卷,56号2、291 - 307年,2017页。视图:出版商的网站|谷歌学术搜索
117. 西迪基,a . a . Monem和k . Shaalan“阿拉伯语,对改善情绪分析”《国际先进的智能会议系统和信息施普林格,页114 - 123年,开罗,埃及,2016年10月。视图:谷歌学术搜索
118. t·哈利勒。哈拉比,m . Hammad和s . r . El-Beltagy”配置效果最好?监督阿拉伯twitter情绪分析,相对渗透率实验研究”学报2015年第一次国际会议上阿拉伯计算语言学(acl)IEEE,页86 - 93年,开罗,埃及,2015年4月。视图:谷歌学术搜索
119. 西迪基,a . a . Monem和k . Shaalan情绪分析在阿拉伯语中,“学报的国际会议上应用自然语言信息系统施普林格,页409 - 414年,2016年6月,英国索尔福德。视图:谷歌学术搜索
120. m·纳比尔·m·阿里,a . Atiya“美国:阿拉伯语人气微博的数据集,”学报2015年大会在自然语言处理的经验方法《里斯本条约》,页2515 - 2519年,葡萄牙,2015年9月。视图:谷歌学术搜索
121. a . Ziani:阿齐兹,y . t . Guiyassa”结合随机子空间算法和支持向量机分类器对阿拉伯语的观点分析,”先进的知识工程计算方法施普林格,页175 - 184年,柏林,德国,2015年。视图:谷歌学术搜索
122. h . ElSahar和s . r . El-Beltagy”情绪分析,构建大型阿拉伯语多域资源”《智能文本处理和计算语言学国际会议页23-34 Springer,开罗,埃及,2015年4月。视图:谷歌学术搜索
123. n .奥马尔·m·交易量、t . Al-Moslmi和A . Al-Shabi”比较研究特征选择和机器学习算法对阿拉伯语情绪分类,”《亚洲信息检索研讨会施普林格,页429 - 443年,沙捞越,马来西亚,2014年6月。视图:谷歌学术搜索
124. A . s . Al-Subaihin和h·s·阿勒哈利法”,阿拉伯语口语使用人类的情绪分析系统计算,”科学世界日报ID 631394条,卷。2014年,8页,2014。视图:出版商的网站|谷歌学术搜索
125. m·阿里和a . Atiya LABR:大规模阿拉伯书评的数据集,”美国第51计算语言学协会的年度会议,卷2,页494 - 498,索非亚,保加利亚,2013年8月。视图:谷歌学术搜索
126. 英国哈利法和n .奥马尔”混合方法使用lexicon-based方法和朴素贝叶斯分类器对阿拉伯语意见问题回答,“计算机科学期刊,10卷,不。10日,1961 - 1968年,2014页。视图:出版商的网站|谷歌学术搜索
127. s . o . Alhumoud Altuwaijri, t . m . Albuhairi和w·m·Alohaideb“阿拉伯语在twitter情绪分析,调查”国际科学指数,9卷,不。1,第368 - 364页,2015。视图:谷歌学术搜索
128. y吉田,t . Hirao t .岩田聪,m .经营和y松本,“转移多个域学习情绪analysis-identifying域依赖/独立词极性,”美国25日AAAI人工智能AAAI会议上美国,旧金山,CA, 2011年2月。视图:谷歌学术搜索
129. s . Abdennadher h·扎,c . Sabty r·萨勒姆n . Tarhouny和s . Zohny”建立一个语料库对阿拉伯语的简短文本进行分类使用游戏和目的,”WWW /互联网13国际研讨会论文集(ICWI)2014年,波尔图,葡萄牙。视图:谷歌学术搜索
130. Kumar和p·贾斯瓦尔,”比较研究情绪分析和意见挖掘。”国际工程和技术杂志,IJET,8卷,不。2、2016。视图:谷歌学术搜索
131. f . Hemmatian和m . k . Sohrabi”调查分类技术意见挖掘和情感分析,“人工智能审查,52卷,不。3,1-51,2017页。视图:出版商的网站|谷歌学术搜索
132. 阿卜杜勒n . a: a·艾哈迈德·m·a·Shehab和m . Al-Ayyoub“阿拉伯的情绪分析:lexicon-based和基于语料库,”学报2013年IEEE约旦应用电气工程与计算技术会议(AEECT),页1 - 6,IEEE,安曼,约旦,2013。视图:谷歌学术搜索
133. 里亚·m·萨拉梅赫,s·穆罕默德,s . Kiritchenko”翻译后情绪:一个案例研究在阿拉伯社会媒体文章,”学报2015年大会北美的计算语言学协会章:人类语言技术丹佛市,页767 - 777,美国2015年6月。视图:谷歌学术搜索
134. n .法拉和k .部”,阿拉伯语的目标实体的聪明豆:情绪模型”,2017年,https://arxiv.org/abs/1701.03434。视图:谷歌学术搜索
135. 美国Al-Azani E.-S。El-Alfy”Emojis-based情绪阿拉伯语微博使用深度递归神经网络分类”学报2018年计算科学与工程国际会议(ICCSE)科威特城,页1 - 6,IEEE,科威特,2018年3月。视图:谷歌学术搜索

版权

版权©2020扎Ghallab et al。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。