Combining machine-learning and semantic-orientation approaches for sentiment classification

Abstract

This study proposed using new extracted features for sentiment classification. These new features were derived from SentiWordNet and they are called "sentiment features". These features are described by the strength of positivity, negativity, and objectivity for each part-of-speech. Support vector machines (SVM), multinomial Naïve Bayes, and Decision Tree (J48) were used to classify the reviews on the extracted features. The set of proposed features and bag-of-words features were then evaluated on movie reviews. The experimental results showed that using a combination of bag-of-words and sentiment features gave the highest accuracy when SVM were applied. Furthermore, the accuracies of both SVM and multinomial Naïve Bayes on sentiment features were higher than the accuracy of the lexicon analysis in review classification.

งานวิจัยนี้นำเสนอการสร้างคุณลักษณะใหม่ขึ้นมาเพื่อใช้ในงานจำแนกความคิดเห็น ตามความรู้สึก คุณลักษณะแบบ ใหม่นี้ได้มาจากเซนติเวิร์ดเน็ตและถูกเรียกว่า คุณลักษณะตามความรู้สึก คุณลักษณะนี้จะอธิบายถึงความแรงของความเป็นบวก ความเป็นลบ และความเป็นกลาง ของแต่ละประเภทของคำศัพท์ซัพพอร์ตเวกเตอร์แมชชีน, เบยอย่างง่าย (มัลติโนเมียล) และ ต้นไม้ตัดสินใจ (เจ 48) ถูกใชเพื่อจำแนกความคิดเห็นบนคุณลักษณะตามความรู้สึก ทั้งคุณลักษณะใหม่นี้ และคุณลักษณะโดยถุงคำศัพท์ได้ถูกประเมินความถูกตองบนความคิดเห็นทางภาพยนต์ ผลการทดลองได้แสดงให้เห็นว่าเมื่อใช้คุณลักษณะที่ได้จากการรวมกันของคุณลักษณะโดยถุงคำศัพท์ กับ คุณลักษณะตามความรู้สึกให้ความแม่นยำสูงสุดร่วมกับการใช้ ซัพพอร์ตเวกเตอรืแมชชีน นอกจากนี้ความแม่นยำในการจำแนกความคิดเห็นโดยใช้ ซัพพอร์ตเวกเตอร์แมชชีน และเบย์อย่างง่าย (มัลติโน-เมียล) บนคุณลักษณะตามความรู้สึกให้ความแม่นยำในการจำแนกความคิดเห็น มากกว่าการใช้การวิเคราะห์เชิงความหมายของคำศัพท์ด้วยพจนานุกรม