Published January 1, 2023
| Version v1
Publication
Open
Aspect-Based Sentiment Analysis for Social Multimedia: A Hybrid Computational Framework
Creators
- 1. Pir Mehr Ali Shah Arid Agriculture University
- 2. Air University
- 3. Al Baha University
- 4. King Abdulaziz City for Science and Technology
Description
People utilize microblogs and other social media platforms to express their thoughts and feelings regarding current events, public products and the latest affairs.People share their thoughts and feelings about various topics, including products, news, blogs, etc.In user reviews and tweets, sentiment analysis is used to discover opinions and feelings.Sentiment polarity is a term used to describe how sentiment is represented.Positive, neutral and negative are all examples of it.This area is still in its infancy and needs several critical upgrades.Slang and hidden emotions can detract from the accuracy of traditional techniques.Existing methods only evaluate the polarity strength of the sentiment words when dividing them into positive and negative categories.Some existing strategies are domain-specific.The proposed model incorporates aspect extraction, association rule mining and the deep learning technique Bidirectional Encoder Representations from Transformers (BERT).Aspects are extracted using Part of Speech Tagger and association rule mining is used to associate aspects with opinion words.Later, classification was performed using BER.The proposed approach attained an average of 89.45% accuracy, 88.45% precision and 85.98% recall on different datasets of products and Twitter.The results showed that the proposed technique achieved better than state-of-the-art sentiment analysis techniques.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يستخدم الناس المدونات الصغيرة وغيرها من منصات وسائل التواصل الاجتماعي للتعبير عن أفكارهم ومشاعرهم فيما يتعلق بالأحداث الجارية والمنتجات العامة وأحدث الشؤون. يشارك الناس أفكارهم ومشاعرهم حول مواضيع مختلفة، بما في ذلك المنتجات والأخبار والمدونات وما إلى ذلك. في مراجعات المستخدمين وتغريداتهم، يتم استخدام تحليل المشاعر لاكتشاف الآراء والمشاعر. قطبية المشاعر هو مصطلح يستخدم لوصف كيفية تمثيل المشاعر. إيجابي، المحايد والسالب كلها أمثلة على ذلك. لا يزال هذا المجال في مراحله الأولى ويحتاج إلى العديد من الترقيات الحرجة. يمكن أن تنتقص العواطف العامية والخفية من دقة التقنيات التقليدية. لا تقيّم الأساليب الحالية سوى قوة قطبية كلمات المشاعر عند تقسيمها إلى فئات إيجابية وسلبية. بعض الاستراتيجيات الحالية خاصة بالمجال. يتضمن النموذج المقترح استخراج الجوانب، واستخراج قواعد الارتباط وتقنية التعلم العميق تمثيلات التشفير ثنائي الاتجاه من المحولات (BERT). يتم استخراج الآفاق باستخدام أداة تمييز جزء من الكلام ويتم استخدام تعدين قواعد الارتباط لربط الجوانب بكلمات الرأي. في وقت لاحق، تم إجراء التصنيف باستخدام BER. حقق النهج المقترح متوسط دقة 89.45 ٪ ودقة 88.45 ٪ و 85.98 ٪ من التذكر على مختلف مجموعات بيانات المنتجات وتويتر. أظهرت النتائج أن التقنية المقترحة حققت أفضل من تقنيات تحليل المشاعر الحديثة.Translated Description (French)
Les gens utilisent des microblogs et d'autres plateformes de médias sociaux pour exprimer leurs pensées et leurs sentiments concernant les événements actuels, les produits publics et les dernières affaires.Les gens partagent leurs pensées et leurs sentiments sur divers sujets, y compris les produits, les nouvelles, les blogs, etc.Dans les avis et les tweets des utilisateurs, l'analyse des sentiments est utilisée pour découvrir les opinions et les sentiments.La polarité des sentiments est un terme utilisé pour décrire la façon dont les sentiments sont représentés.Positif, neutres et négatifs en sont tous des exemples. Ce domaine en est encore à ses balbutiements et nécessite plusieurs mises à niveau critiques. L'éloignement et les émotions cachées peuvent nuire à la précision des techniques traditionnelles. Les méthodes existantes n'évaluent la force de polarité des mots de sentiment que lorsqu'elles les divisent en catégories positives et négatives. Certaines stratégies existantes sont spécifiques au domaine. Le modèle proposé intègre l'extraction d'aspect, l'exploration de règles d'association et la technique d'apprentissage profond Représentations d'encodeur bidirectionnel à partir de transformateurs (BERT). Les aspects sont extraits à l'aide d'une partie de Speech Tagger et l'exploration de règles d'association est utilisée pour associer des aspects à des mots d'opinion. Plus tard, la classification a été effectuée à l'aide de ber. L'approche proposée a atteint une précision moyenne de 89,45 %, une précision de 88,45 % et un rappel de 85,98 % sur différents ensembles de données de produits et Twitter. Les résultats ont montré que la technique proposée permettait d'obtenir de meilleurs résultats que les techniques d'analyse des sentiments à la pointe de la technologie.Translated Description (Spanish)
Las personas utilizan microblogs y otras plataformas de redes sociales para expresar sus pensamientos y sentimientos con respecto a eventos actuales, productos públicos y los últimos asuntos. Las personas comparten sus pensamientos y sentimientos sobre diversos temas, incluidos productos, noticias, blogs, etc. En las reseñas de usuarios y tweets, el análisis de sentimientos se utiliza para descubrir opiniones y sentimientos. La polaridad de sentimientos es un término utilizado para describir cómo se representa el sentimiento. Positivo, neutrales y negativas son todos ejemplos de ello. Esta área todavía está en su infancia y necesita varias actualizaciones críticas. La jerga y las emociones ocultas pueden restarle precisión a las técnicas tradicionales. Los métodos existentes solo evalúan la fuerza de polaridad de las palabras de sentimiento al dividirlas en categorías positivas y negativas. Algunas estrategias existentes son específicas del dominio. El modelo propuesto incorpora la extracción de aspectos, la minería de reglas de asociación y la técnica de aprendizaje profundo Bidirectional Encoder Representations from Transformers (BERT). Los aspectos se extraen utilizando Part of Speech Tagger y la minería de reglas de asociación se utiliza para asociar aspectos con palabras de opinión. Más tarde, la clasificación se realizó utilizando BER. El enfoque propuesto logró un promedio de 89.45% de precisión, 88.45% de precisión y 85.98% de recuerdo en diferentes conjuntos de datos de productos y Twitter. Los resultados mostraron que la técnica propuesta logró mejores resultados que las técnicas de análisis de sentimientos de última generación.Files
TSP_CSSE_35149.pdf.pdf
Files
(794.2 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:cb8b6e62ad4d99f60704fb40b37a66fd
|
794.2 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحليل المشاعر القائم على الجانب للوسائط المتعددة الاجتماعية: إطار حسابي هجين
- Translated title (French)
- Analyse des sentiments basée sur les aspects pour le multimédia social : un cadre informatique hybride
- Translated title (Spanish)
- Análisis de Sentimientos Basado en Aspectos para Multimedia Social: Un Marco Computacional Híbrido
Identifiers
- Other
- https://openalex.org/W4319659872
- DOI
- 10.32604/csse.2023.035149
References
- https://openalex.org/W2564716904
- https://openalex.org/W2736317519
- https://openalex.org/W2791443033
- https://openalex.org/W2807954545
- https://openalex.org/W2888832747
- https://openalex.org/W2965548020
- https://openalex.org/W2970591347
- https://openalex.org/W2978376117
- https://openalex.org/W2996510345
- https://openalex.org/W3001254509
- https://openalex.org/W3004245552
- https://openalex.org/W3006525017
- https://openalex.org/W3008590301
- https://openalex.org/W3027705221
- https://openalex.org/W3034722330
- https://openalex.org/W3036436580
- https://openalex.org/W3044866491
- https://openalex.org/W3044892747
- https://openalex.org/W3081285030
- https://openalex.org/W3086655774
- https://openalex.org/W3102927519
- https://openalex.org/W3111512936
- https://openalex.org/W3115865922
- https://openalex.org/W3130282898
- https://openalex.org/W3153487575
- https://openalex.org/W3156775364
- https://openalex.org/W3163841364
- https://openalex.org/W3168820831
- https://openalex.org/W3175234726
- https://openalex.org/W3216190038
- https://openalex.org/W4214863978
- https://openalex.org/W4225694783
- https://openalex.org/W4281876090
- https://openalex.org/W4288050564
- https://openalex.org/W4289861361
- https://openalex.org/W4292405971
- https://openalex.org/W4294405864