Análisis de sentimiento de texto

Otra dirección de investigación es la identificación de subjetividad/objetividad [12] . Esta tarea generalmente se define como la asignación de un texto dado a una de dos clases: subjetiva u objetiva . Este problema a veces puede ser más complejo que la clasificación por polaridad: la subjetividad de las palabras y frases puede depender de su contexto , y un documento objetivo puede contener oraciones subjetivas (por ejemplo, un artículo de noticias que cita las opiniones de las personas). Además, como menciona Su [12] , los resultados dependen más de la definición de subjetividad utilizada en el contexto de las anotaciones de texto. Sea como fuere, Pang [13] demostró que eliminar oraciones objetivas del documento antes de la clasificación por polaridad ayudó a mejorar la precisión de los resultados.

El modelo de análisis más detallado se denomina análisis basado en características/aspectos. Este modelo se refiere a la definición de opiniones o sentimientos expresados ​​por diversas funciones o aspectos de entidades, como las de un teléfono celular, una cámara digital o un banco. Una propiedad/aspecto es un atributo o componente de una entidad que se examina en busca de sentimiento, como la pantalla de un teléfono celular o la calidad de una toma de cámara. Este problema requiere resolver una serie de tareas, por ejemplo, identificar entidades relevantes, extraer sus funciones/aspectos y determinar si la opinión expresada sobre cada función/aspecto es positiva, negativa o neutral. Una discusión más detallada sobre este tema se puede encontrar en el manual de PNL , en el capítulo "Analizar el sentimiento y la subjetividad" [14] .

Aproximaciones a la clasificación de la tonalidad

Las computadoras pueden realizar análisis automáticos de textos digitales utilizando elementos de aprendizaje automático , como el análisis semántico latente, la máquina de vectores de soporte , la bolsa de palabras y el enfoque semántico en esta área [7] . Los métodos más sofisticados intentan identificar al propietario del sentimiento (es decir, la persona) y el objetivo (es decir, la entidad sobre la que se expresan los sentimientos). Para determinar la opinión, teniendo en cuenta el contexto, se utilizan las relaciones gramaticales entre palabras [15] .

Las relaciones de conexión gramatical se obtienen a partir de un profundo análisis estructural del texto. El análisis de sentimiento se puede dividir en dos categorías separadas [16] :

• manual (o análisis de sentimientos por parte de expertos);
• análisis de sentimiento automatizado .

Las diferencias más notables entre los dos radican en la eficiencia del sistema y la precisión del análisis. Los programas informáticos de análisis de sentimientos automatizados utilizan algoritmos de aprendizaje automático, herramientas estadísticas y procesamiento de lenguaje natural para procesar grandes cantidades de texto, incluidas páginas web , noticias en línea, textos de grupos de discusión de Internet, reseñas en línea, blogs web y redes sociales .

Tesauros semánticos

Hay una serie de tesauros especialmente etiquetados con respecto al componente emocional. Dichos diccionarios, que se describen a continuación, son necesarios para los programas de computadora cuando analizan el sentimiento de un texto.

WordNet-Afect

Un ejemplo para el desarrollo de WordNet-Affect fue la extensión multilingüe de WordNet llamada WordNet Domain [17] . En la extensión de dominio de WordNet, a cada synset se le asigna al menos una etiqueta de dominio ("etiqueta de dominio" en inglés), por ejemplo: deportes, política, medicina. En total, se incluyeron unas doscientas etiquetas de materias en la estructura organizada jerárquicamente [18] .

WordNet-Affect es un tesauro semántico en el que los conceptos asociados a las emociones ("emotional conceptos", en inglés "affective conceptos") se representan mediante palabras que tienen un componente emocional ("emotional words", en inglés "affective words") [17] . WordNet-Affect consiste en un subconjunto de synsets de WordNet [19] donde cada synset correspondiente a un "concepto emocional" se puede representar usando "palabras emocionales" [17] .

Así, WordNet-Affect se creó sobre la base de WordNet para inglés (también hay versiones de WordNet-Affect para otros idiomas [20] ) seleccionando y asignando conjuntos de sinónimos (synsets) a diferentes conceptos emocionales. En particular, los synsets de verbos, sustantivos, adjetivos, adverbios, que representan la descripción de emociones, fueron etiquetados manualmente utilizando etiquetas emocionales especiales (etiquetas afectivas, etiquetas A) [21] . Estas etiquetas emocionales caracterizan varios estados que expresan estados de ánimo, respuestas emocionales o situaciones que evocan emociones [21] . En la siguiente tabla se dan ejemplos de tales etiquetas emocionales [22]

Además, WordNet-Affect usa etiquetas emocionales adicionales para separar synsets según su valencia emocional. Para ello, se definen cuatro etiquetas emocionales adicionales: positiva, negativa, ambigua y neutra [21] . El primero corresponde a las emociones positivas, que se definen como estados emocionales caracterizados por la presencia de señales hedónicas positivas (o placer). Incluye synsets como alegría #1 o pasión #1. Del mismo modo , una etiqueta negativa identifica emociones negativas caracterizadas por señales hedónicas negativas (o dolor), como la ira #1 o la tristeza #1. Los synsets que representan estados emocionales cuya valencia depende del contexto semántico (por ejemplo, sorpresa #1) se marcan como ambiguos . Finalmente, los synsets que definen estados psicológicos y siempre se consideran ambiguos, pero no se caracterizan por la valencia, son neutrales [21] .

Synsets marcados con etiquetas emocionales se vuelven a etiquetar adicionalmente con seis categorías emocionales: alegría, miedo, ira, tristeza, disgusto, sorpresa. Así, la estructura física de WordNet-Affect consta de seis archivos: enfado.txt, asco.txt, miedo.txt, alegría.txt, tristeza.txt, sorpresa.txt , donde cada archivo es una descripción de una categoría [23] . Actualmente WordNet-Affect contiene 2874 synsets y 4787 palabras [24] .

Los científicos de la Universidad Técnica de Moldavia tradujeron los synsets de WordNet-Affect del inglés al ruso y rumano, realizaron su alineación: inglés - rumano - ruso [25] . El recurso está disponible en línea con fines de investigación [23] .

SentiWordNet

SentiWordNet es un diccionario de sinónimos léxico semántico, cuya primera versión se desarrolló en 2006. [26] La versión actual de SentiWordNet es SentiWordNet 3.0 [26] , que proporciona una mejora de precisión de más del 20 % con respecto a la primera versión [26] .

Este sistema es el resultado de un proceso de anotar automáticamente cada synset (conjunto de sinónimos) de WordNet según su grado de positividad, negatividad y objetividad [27] . Así, a cada fila sinonímica de WordNet se le asignan tres puntajes numéricos, donde cada uno de estos puntajes determina respectivamente el componente objetivo, positivo o negativo del synset [26] . Cada una de estas estimaciones toma valores en el rango de 0 a 1, y en total dan 1 (uno), es decir, cada una de estas estimaciones puede tener un valor distinto de cero [26] . Los términos que pueden tener diferentes valores también pueden tener diferentes valores de evaluación [26] .

El proceso de aprendizaje de SentiWordNet constaba de dos pasos: [28] .

1. En el primer paso en el desarrollo del sistema, se utilizaron métodos de aprendizaje automático con participación docente parcial débil ( aprendizaje semisupervisado) para el llenado inicial. Inicialmente, se seleccionó un pequeño conjunto de synsets y se le asignaron puntajes numéricos manualmente. Luego, con base en este conjunto, se entrenaron varios clasificadores, cuya tarea es determinar el grado de positividad, negatividad y objetividad del synset. Después de eso, a través de los modelos clasificadores obtenidos, se determinaron estimaciones numéricas para cada synset de WordNet. [28]
2. A los datos obtenidos en el primer paso se les aplicó el modelo de paso aleatorio , como resultado de lo cual se establecieron las estimaciones finales de los componentes objetivo, positivo o negativo de cada synset. Puede leer más sobre esta etapa en el próximo trabajo [29] .

SentiWordNet tiene licencia bajo CC BY-SA 3.0 . Esta licencia le permite utilizar libremente SentiWordNet con fines comerciales y científicos, siempre que se indiquen los nombres de los creadores. [27] Cualquiera puede descargar archivos SentiWordNet de forma independiente desde el sitio web oficial de forma gratuita. También puede descargar una pequeña clase de Java que demuestra cómo trabajar con SentiWordNet [27] .

SenticNet

SenticNet es otro diccionario de sinónimos semántico para tratar conjuntos de conceptos emocionales. SenticNet es un proyecto lanzado en el Laboratorio de Medios del Instituto Tecnológico de Massachusetts en 2010 [30] . Desde entonces, el proyecto SenticNet se ha desarrollado aún más y se utiliza para diseñar aplicaciones inteligentes diseñadas para analizar el componente emocional del texto y cubrir una variedad de tareas, desde la extracción de datos hasta la organización de la interacción hombre-computadora [30] . El objetivo principal de SenticNet es simplificar el procedimiento para el reconocimiento automático de información conceptual y emocional transmitida utilizando lenguaje natural [30] . Si comparamos otros tesauros léxicos, como SentiWordNet y WordNet-Affect con SenticNet, entonces su principal diferencia será que SentiWordNet y WordNet-Affect proporcionan la vinculación de palabras y conceptos emocionales a nivel sintáctico, no permitiendo identificar el componente semántico, por ejemplo, “lograr la meta”, “no es una buena sensación”, “celebrar una ocasión especial”, “perder los estribos” o “estar en el séptimo cielo”, mientras que SenticNet conecta los conceptos a nivel semántico [31] .

La última versión es SenticNet 2 [32] . A diferencia de SenticNet 1 [32] , que simplemente asigna un valor de sentimiento a aproximadamente 5700 conceptos del corpus OpenMind, SenticNet 2 proporciona semántica y "sentics" (es decir, información cognitiva y "emocional") que se asocia con más de 14 000 conceptos y permite más análisis de texto de lenguaje natural profundo y multifacético en comparación con SenticNet 1 [32] . SenticNet 2 está construido con "computación sentica", un paradigma que utiliza técnicas de IA y Web Semántica para mejorar el reconocimiento, interpretación y procesamiento de opiniones en lenguaje natural [32] .

La "computación sentic" es un enfoque interdisciplinario para el análisis de sentimientos en la encrucijada entre la " computación del afecto " y la "computación del sentido común" [33] . El término "computación de sentido común" se refiere a una serie de iniciativas destinadas a garantizar que las computadoras representen el conocimiento sobre todo en la forma en que una persona las entiende, y que las computadoras sean capaces de sacar conclusiones lógicas basadas en este conocimiento [34] . Tal enfoque interdisciplinario implica el uso de herramientas de información y ciencias sociales para mejorar el reconocimiento, interpretación y procesamiento de opiniones y sentimientos [33] . En particular, la computación Sentic implica el uso de métodos de inteligencia artificial y la web semántica, para la representación del conocimiento y su salida; matemáticas: para resolver problemas como procesamiento de gráficos y reducción de dimensionalidad ; lingüística para el análisis discursivo y la pragmática; psicología - para el modelado cognitivo y emocional; sociología, para comprender la dinámica de las redes sociales y la influencia social; y finalmente la ética, para comprender la naturaleza de la mente y crear máquinas emocionales. Los "cálculos Sentic" permiten analizar documentos no solo a nivel de páginas y textos completos, sino también a nivel de oraciones, lo que hace posible evaluar textos con un mayor nivel de detalle [33] .

Para presentar los datos de SenticNet en una forma legible por máquina adecuada para su procesamiento por programas informáticos, los datos se codifican en tripletes RDF utilizando la sintaxis XML. Un archivo XML de ejemplo para el concepto "amor" se puede ver en el sitio web del proyecto en el siguiente enlace [35] . Por ejemplo, si se encuentra un concepto como “cumpleaños” durante la aplicación, SenticNet lo atribuirá al concepto de alto nivel de “eventos” y lo asociará con un conjunto de conceptos relacionados semánticamente, por ejemplo, “dulce”, “sorpresa amistosa” o “payaso” (que se puede utilizar como fuente de información adicional/contextual para mejorar los resultados de búsqueda) [36] . SenticNet también asocia cada concepto con un "sentic-vector" con valores numéricos de cantidades tales como Placer (placer), Atención (atención), Sensibilidad (sensibilidad) y Aptitud (habilidad) [37] , así como el valor de tonalidad (para tareas como el análisis del tono del texto), el estado de ánimo principal y adicional, así como un conjunto de conceptos emocionalmente cercanos, por ejemplo, "vacaciones" u "ocasión especial" (para tareas como determinar el tono del texto) [36] .

Cualquiera puede descargar gratuitamente SenticNet 2 desde el sitio oficial [38] .

Métodos de clasificación de sentimientos

Métodos basados ​​en reglas y diccionarios

Este método se basa en la búsqueda de vocabulario emotivo [39] (sentimiento léxico) en el texto según diccionarios tonales y reglas recopiladas previamente mediante análisis lingüístico. De acuerdo con la totalidad del vocabulario emotivo encontrado, el texto puede evaluarse en una escala que contiene la cantidad de vocabulario negativo y positivo. Este método puede usar listas de reglas que se sustituyen en expresiones regulares y reglas especiales para conectar el vocabulario tonal dentro de una oración. Para analizar el texto, puede usar el siguiente algoritmo: primero, asigne a cada palabra del texto su valor de opinión del diccionario (si está presente en el diccionario) y luego calcule la opinión general de todo el texto sumando la opinión. valor de cada oración individual [39] .

El principal problema de los métodos basados ​​en diccionarios y reglas es la laboriosidad del proceso de compilación de un diccionario. Para obtener un método que clasifique un documento con alta precisión, los términos del diccionario deben tener un peso adecuado al área temática del documento. Por ejemplo, la palabra "enorme" en relación con la cantidad de almacenamiento en disco duro es una característica positiva, pero negativa en relación con el tamaño de un teléfono móvil. Por lo tanto, este método requiere costos de mano de obra significativos, ya que se debe compilar una gran cantidad de reglas para que el sistema funcione bien. Hay una serie de enfoques que le permiten automatizar la compilación de diccionarios para un área temática específica (por ejemplo, el tema de los restaurantes o el tema de los teléfonos móviles) [40] .

Aprendizaje automático supervisado

Hoy en día, los métodos más utilizados en investigación son los métodos de aprendizaje automático supervisado . La esencia de estos métodos es que, en la primera etapa, se entrena un clasificador automático (por ejemplo, bayesiano [41] ) en textos premarcados, y luego el modelo resultante se usa al analizar nuevos documentos. Describamos un algoritmo corto [42] :

1. primero, se recopila una colección de documentos, en base a los cuales se entrena una máquina clasificadora;
2. cada documento se descompone como un vector de rasgos (aspectos), según los cuales será estudiado;
3. indica el tipo correcto de sentimiento para cada documento;
4. se selecciona un algoritmo de clasificación y un método para entrenar al clasificador;
5. usamos el modelo resultante para determinar el sentimiento de los documentos de la nueva colección.

Aprendizaje automático no supervisado

Este enfoque se basa en la idea de que los términos que aparecen con mayor frecuencia en este texto y que al mismo tiempo están presentes en un pequeño número de textos de toda la colección tienen el mayor peso en el texto. Al resaltar estos términos y luego determinar su tono, podemos sacar una conclusión sobre el tono de todo el texto [41] .

Un método basado en modelos teóricos de grafos

Este método se basa en la suposición de que no todas las palabras del cuerpo de texto de un documento son equivalentes. Algunas palabras tienen más peso y tienen un efecto más fuerte en el tono del texto. Usando este método, el análisis de sentimiento se divide en varios pasos:

1. construir un gráfico a partir del texto en estudio;
2. ranking de sus vértices;
3. clasificación de palabras encontradas;
4. cálculo de resultados.

Puede leer más sobre los puntos 1 y 2 en el trabajo "Extracción de términos de textos en ruso usando modelos gráficos" de D. A. Ustalov [43] .

Para clasificar las palabras, se utiliza un diccionario de tonos, en el que a cada palabra se le asigna una calificación, como “positiva”, “negativa” o “neutral”. Para obtener el resultado final, es necesario calcular los valores de dos valoraciones: la componente positiva del texto y la negativa. Para encontrar el componente positivo del texto, es necesario encontrar la suma de los sentimientos de todos los términos positivos del texto, teniendo en cuenta su peso. El valor del componente negativo del texto se encuentra de manera similar. Para la evaluación final del sentimiento de todo el texto, es necesario calcular la proporción de estos componentes según la fórmula: , donde T  es la evaluación final del sentimiento, P  es la evaluación del componente positivo del texto y N  es el componente negativo del texto. De acuerdo con el artículo de Menshikov [44] , un texto en el que el valor de T es cercano a uno se considerará neutral, si supera ligeramente 1 - positivo. Si supera con creces 1, entonces es fuertemente positivo. Lo contrario también es cierto para los textos de sentimientos negativos [45] . Este método se considera con más detalle en los trabajos de Goldberg [46] y Ponomareva [47] .

Evaluación de la calidad del análisis de sentimiento

La precisión y la calidad del sistema de análisis de sentimientos de texto se evalúan por qué tan bien concuerda con la opinión de la persona con respecto a la evaluación emocional del texto en estudio. Para ello se pueden utilizar métricas como la precisión y la recuperación [48] . Fórmula para encontrar la completitud:

donde las opiniones correctamente extraídas  son opiniones correctamente definidas, el número total de opiniones  es el número total de opiniones (tanto encontradas por el sistema como no encontradas) [48] . La precisión se calcula mediante la fórmula [48] :

donde las opiniones extraídas correctamente  son opiniones definidas correctamente, el número total de opiniones encontradas por el sistema  es el número total de opiniones encontradas por el sistema [48] . Así, la precisión expresa el número de textos, oraciones o documentos estudiados, en cuya evaluación la opinión del sistema de análisis de sentimientos coincidió con la opinión del experto. Al mismo tiempo, según el estudio, los expertos suelen coincidir en el sentimiento de un determinado texto en el 79% de los casos [49] . Por lo tanto, un programa que detecta el tono de un texto con un 70% de precisión lo hace casi tan bien como un humano.

Véase también

• procesamiento natural del lenguaje
• Ligüística computacional
• Extracción de información
• Análisis de contenido

Notas

1. ↑ Pang, Lee, 2008 , pág. 6.
2. ↑ 12 Bing Liu, 2010 , pág. 5.
3. ↑ Bing Liu, 2010 , pág. 2.
4. ↑ 12 Pang , Lee, 2008 , pág. 16-17.
5. ↑ Bollen, Mao, J. Zeng, 2010 .
6. ↑ Pang, Lee, 2008 .
7. ↑ 12 Turney , 2002 .
8. ↑ Pang, Lee, Vaithyanathan, 2002 .
9. ↑ Pang, Lee, 2005 .
10. ↑ 1 2 Snyder, Barzilay, 2007 .
11. ↑ Thelwall y otros, 2010 .
12. ↑ 1 2 Su, Markert, 2008 , p. una.
13. ↑ Pang, Lee, 2004 , pág. 7.
14. ↑ BingLiu, 2010 .
15. ↑ Turney, 2002 , pág. 2-3.
16. ↑ Washington .
17. ↑ 1 2 3 Strapparava, 2004 , pág. 1083.
18. ↑ Magnini y otros, 2000 .
19. ↑ Synset (synset) - un conjunto de sinónimos.
20. ↑ Bobicev, 2010 , pág. una.
21. ↑ 1 2 3 4 WordNet-Afecta .
22. ↑ Strapparava, 2004 , pág. 1086.
23. ↑ 1 2 WordNet-Affect es .
24. ↑ Strapparava, 2004 , pág. 1084.
25. ↑ Bobicev, 2010 .
26. ↑ 1 2 3 4 5 6 Stefano Baccianella, 2010 , p. 2200.
27. ↑ 1 2 3 SentiWordNet .
28. ↑ 1 2 Stefano Baccianella, 2010 , p. 2201.
29. ↑ Stefano Baccianella, 2010 , pág. 2201-2202.
30. ↑ 123 SenticNet._ _ _ _
31. ↑ Erik Cambria, 2012 .
32. ↑ 1 2 3 4 Erik Cambria, 2012 , pág. 202.
33. ↑ 1 2 3 Erik Cambria, 2012 , pág. 203.
34. ↑ Erik Cambria 2009, 2009 , pág. una.
35. ↑ Amor de la API de SenticNet .
36. ↑ 1 2 Erik Cambria, 2012 , pág. 205.
37. ↑ API de SenticNet .
38. ↑ SenticNet principal .
39. ↑ 1 2 Pazelskaya, 2011 , pág. 512.
40. ↑ Chetviorkin, 2012 .
41. ↑ 1 2 Klecovina, Kotelnikov, 2012 , p. 81.
42. ↑ Klecovina, Kotelnikov, 2012 .
43. ↑ Ustalov, 2012 .
44. ↑ Ménshikov, 2012 , pág. 1-3.
45. ↑ Ménshikov, 2012 , pág. 3-4.
46. ↑ Goldberg, Zhu, 2006 .
47. ↑ Ponomareva, Thelwall, 2012 .
48. ↑ 1 2 3 4 Nozomi Kobayashi, 2006 , pág. cuatro
49. ↑ Ogneva .

Literatura

• Stefano Baccianella. Sentiwordnet 3.0: un recurso léxico mejorado para el análisis de sentimientos y la extracción de opiniones  (inglés)  // Actas de LREC: conferencia. - 2010. - Pág. 2200-2204 .
• Victoria Bobicev, Victoria Maxim, Tatiana Prodan, Natalia Burciu, Victoria Anghelus. Emociones en palabras: desarrollo de un WordNet-Affect multilingüe  (inglés)  : CICLing 2010, Iași , Rumania. - 2010. - P. 1-10 .
• J. Bollen, H. Mao, X.-J. Zeng. El estado de ánimo de Twitter predice el mercado de valores  //  JTechnical Report arXiv:1010.3003, CoRR: journal. — 2010.
• Eric Cambria. SenticNet 2: un recurso semántico y afectivo para la extracción de opiniones y el análisis de sentimientos  (inglés)  // Actas de AAAI FLAIRS: conferencia. - 2012. - P. 202–207 .
• Erik Cambria, Amir Hussain, Catherine Havasi y Chris Eckl. Computación con sentido común: de la sociedad de la mente a la intuición digital y más allá  (inglés)  // Gestión de identificación biométrica y comunicación multimodal Notas de clase en informática: revista. - 2009. - Págs. 252-259 .

• Andrew Goldberg, Xiaojin Zhu. Ver estrellas cuando no hay muchas estrellas: aprendizaje semisupervisado basado en gráficos para la categorización de sentimientos  //  Actas del primer taller sobre métodos basados ​​en gráficos para el procesamiento del lenguaje natural, Departamento de Ciencias de la Computación Universidad de Wisconsin-Madison: Conferencia. - 2006. - P. 45-52 .
• Minqing Hu, Bing Liu. Extracción y resumen de opiniones de clientes  //  Actas de KDD: conferencia. — 2004.
• Nozomi Kobayashi, Ryu Iida, Kentaro Inui, Yuji Matsumoto. Minería de opiniones en la Web mediante la extracción de relaciones sujeto-aspecto-evaluación  (inglés)  // Instituto Nara de Ciencia y Tecnología, Takayama, Ikoma, Nara 630-0192, Japón: conferencia. - 2006. - P. 1-6 . Archivado desde el original el 2 de febrero de 2014.
• Bing Liu. Análisis de sentimientos y subjetividad // Manual de procesamiento del lenguaje natural  (inglés) / ed. N. Indurkhya y F. J. Damerau. — 2010.
• Bernardo Magnini, Gabriela Cavaglia. Integración de códigos de campo de materias en WordNet  (inglés)  : LREC . — 2000.
• Bo Pang, Lillian Lee, Shivakumar Vaithyanathan. ¿Pulgares hacia arriba? Clasificación de sentimientos utilizando técnicas de aprendizaje automático  (inglés)  // EMNLP. - 2002. - P. 79-86 .
• Bo Pang, Lillian Lee. Una educación sentimental: análisis de sentimientos mediante resúmenes de subjetividad basados ​​en cortes mínimos  (inglés)  // Actas de la Asociación de Lingüística Computacional (ACL): revista. - 2004. - P. 271-278 .
• Bo Pang, Lillian Lee. Ver estrellas: explotar las relaciones de clase para la categorización de sentimientos con respecto a las escalas de calificación  (inglés)  // En Actas de la 43.ª reunión anual de la Asociación de Lingüística Computacional (ACL): revista. — Universidad de Michigan, EE. UU., 2005. — No. 25–30 de junio . — pág. 115–124 .
• Bo Pang, Lillian Lee. Minería de Opinión y Análisis de Sentimiento  (Inglés)  // Fundamentos y Tendencias en la Recuperación de Información: Diario. - 2008. - No. 2 . - Pág. 1-135 .
• Natalia PonomarevaMike Thelwall. ¿Los vecinos ayudan? Una exploración de algoritmos basados ​​en gráficos para la clasificación de sentimientos entre dominios  //  Actas de la Conferencia conjunta de 2012 sobre métodos empíricos en el procesamiento del lenguaje natural y el aprendizaje del lenguaje natural computacional: conferencia. - 2012. - P. 655–665 .
• Benjamín Snyder, Regina Barzilay. Clasificación de aspectos múltiples utilizando el algoritmo Good Grief  //  Actas de la tecnología del lenguaje humano conjunto/capítulo norteamericano de la conferencia ACL (HLT-NAACL): conferencia. - 2007. - P. 300-307 .
• Carlo Strapparava, Alessandro Valitutti. WordNet-Affect: una extensión afectiva de WordNet  (inglés)  : LREC . - 2004. - vol. 4 . — pág. 1083–1086 . Archivado desde el original el 3 de marzo de 2016.
• Fangzhong Su, Katja Markert. De las palabras a los sentidos: un estudio de caso sobre el reconocimiento de la subjetividad  //  Actas de Coling, Manchester, Reino Unido. — 2008.
• Thelwall Mike, Buckley Kevan, Paltoglou Georgios, Cai Di, Kappas Arvid. Detección de fuerza de sentimiento en texto informal breve  (inglés)  // Revista de la Sociedad Estadounidense de Ciencia y Tecnología de la Información: revista. - 2010. - P. 2544–2558 .
• Pedro Turney. ¿Pulgares arriba o pulgares abajo? Orientación semántica aplicada a la clasificación no supervisada de revisiones  //  Actas de la Asociación de Lingüística Computacional. - 2002. - P. 417-424 . - arXiv : cs.LG/0212032 . Archivado desde el original el 3 de febrero de 2013.
• David Yarowsky. Desambiguación de sentido de palabra no supervisada que rivaliza con métodos supervisados  ​​//  Actas de la 33.ª reunión anual de la Asociación de Lingüística Computacional. Cambridge: conferencia. - 1995. Archivado el 20 de marzo de 2014.
• M. V. Klekovkina, E. V. Kotelnikov. El método de clasificación automática de textos por tonalidad basado en el diccionario de vocabulario emocional  // RCDL-2012, Pereslavl-Zalessky, Rusia: conferencia. — 2012. (Ruso)
• Ilya Ménshikov. Análisis de sentimiento del texto ruso utilizando modelos gráficos  // Universidad Federal de los Urales, Ekaterimburgo, Rusia: Conferencia. - 2012. Archivado el 15 de diciembre de 2013. (Ruso)
• Anna Pazelskaya, Alexey Soloviov. Método para determinar emociones en textos en ruso  // La conferencia internacional sobre lingüística computacional y tecnologías intelectuales "Diálogo 2011": conferencia. - Moscú, 2011. - S. 510-522 .
• Dmitri Ustalov. Extracción de términos de textos en ruso utilizando modelos gráficos  // Universidad Federal de los Urales, Ekaterimburgo, Rusia: conferencia. - 2012. Archivado el 2 de septiembre de 2013. (Ruso)
• Ilia Chetviorkin, Natalia Loukachevitch. Extracción del léxico de sentimiento ruso para el metadominio del producto  (inglés)  // COLING: conferencia. — 2012.

Enlaces

• Washington, Erín. Análisis del Sentimiento Humano  . Crecimiento de las redes sociales (14 de noviembre de 2013). Consultado el 11 de diciembre de 2013.

• Ogneva, M. Cómo las empresas pueden utilizar el análisis de sentimientos para mejorar su  negocio . Mashable (13 de diciembre de 2012). Consultado el 11 de diciembre de 2013.

• SentiWordNet  (inglés) .
• SenticNet  (inglés) .

•  Ejemplo de SenticNet .

• Acerca  de SenticNet .

• API  SenticNet .

• WordNet-Affect  (inglés) .
• WordNet-Affect rumano y ruso . (Ruso)