Published January 1, 2016
| Version v1
Publication
Open
CICBUAPnlp at SemEval-2016 Task 4-A: Discovering Twitter Polarity using Enhanced Embeddings
- 1. Instituto Politécnico Nacional
- 2. Benemérita Universidad Autónoma de Puebla
Description
This paper presents our approach for SemEval 2016 task 4: Sentiment Analysis in Twitter.We participated in Subtask A: Message Polarity Classification.The aim is to classify Twitter messages into positive, neutral, and negative polarity.We used a lexical resource for pre-processing of social media data and train a neural network model for feature representation.Our resource includes dictionaries of slang words, contractions, abbreviations, and emoticons commonly used in social media.For the classification process, we pass the features obtained in an unsupervised manner into an SVM classifier.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تقدم هذه الورقة نهجنا لمهمة SemEval 2016 4: تحليل المشاعر في Twitter. شاركنا في المهمة الفرعية A: تصنيف قطبية الرسائل. الهدف هو تصنيف رسائل Twitter إلى قطبية إيجابية ومحايدة وسلبية. استخدمنا موردًا معجميًا للمعالجة المسبقة لبيانات وسائل التواصل الاجتماعي وتدريب نموذج شبكة عصبية لتمثيل الميزات. يتضمن موردنا قواميس الكلمات العامية والتقلصات والاختصارات والرموز المستخدمة بشكل شائع في وسائل التواصل الاجتماعي. بالنسبة لعملية التصنيف، نمرر الميزات التي تم الحصول عليها بطريقة غير خاضعة للرقابة إلى مصنف SVM.Translated Description (French)
Cet article présente notre approche pour la tâche 4 de SemEval 2016 : Analyse des sentiments sur Twitter. Nous avons participé à la sous-tâche A : Classification de la polarité des messages. L'objectif est de classer les messages Twitter en polarité positive, neutre et négative. Nous avons utilisé une ressource lexicale pour le prétraitement des données des médias sociaux et avons formé un modèle de réseau neuronal pour la représentation des caractéristiques. Notre ressource comprend des dictionnaires de mots d'argot, de contractions, d'abréviations et d'émoticônes couramment utilisés dans les médias sociaux. Pour le processus de classification, nous passons les caractéristiques obtenues de manière non supervisée dans un classificateur SVM.Translated Description (Spanish)
Este documento presenta nuestro enfoque para la tarea 4 de SemEval 2016: Análisis de sentimientos en Twitter. Participamos en la subtarea A: Clasificación de polaridad de mensajes. El objetivo es clasificar los mensajes de Twitter en polaridad positiva, neutral y negativa. Utilizamos un recurso léxico para el procesamiento previo de datos de redes sociales y entrenamos un modelo de red neuronal para la representación de características. Nuestro recurso incluye diccionarios de palabras de argot, contracciones, abreviaturas y emoticonos comúnmente utilizados en las redes sociales. Para el proceso de clasificación, pasamos las características obtenidas de manera no supervisada a un clasificador SVM.Files
S16-1021.pdf.pdf
Files
(226 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:5360980bad11bf9723da89687501effc
|
226 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- CICBUAPnlp في SemEval -2016 المهمة 4 - A: اكتشاف قطبية تويتر باستخدام التضمينات المحسنة
- Translated title (French)
- CICBUAPnlp à SemEval-2016 Tâche 4-A : Découvrir la polarité de Twitter à l'aide d'intégrations améliorées
- Translated title (Spanish)
- CICBUAPnlp en SemEval-2016 Tarea 4-A: Descubrir la polaridad de Twitter utilizando incrustaciones mejoradas
Identifiers
- Other
- https://openalex.org/W2462724439
- DOI
- 10.18653/v1/s16-1021
References
- https://openalex.org/W1423339008
- https://openalex.org/W1614298861
- https://openalex.org/W1714295336
- https://openalex.org/W2032355794
- https://openalex.org/W2099585516
- https://openalex.org/W2118585731
- https://openalex.org/W2120840793
- https://openalex.org/W2250243742
- https://openalex.org/W2251237590
- https://openalex.org/W2251939518
- https://openalex.org/W2285665573
- https://openalex.org/W2394506131
- https://openalex.org/W2468484304
- https://openalex.org/W2949547296
- https://openalex.org/W65312177
- https://openalex.org/W801283500