Sentiment Analysis

1. Studienprojekt Dozenten: Dr. Detlef Prescher, Matthias Hartung Svetlana Dedova, Stefanie Pischek, Vladlena Belinschi Ruprecht-Karls-Universität Heidelberg Seminar für Computerlinguistik Sentiment Analysis Sommersemester 2007 (24.05.2007)

2. Inhalt • Kurze Einführung in das Themengebiet • Grundsätzliche Lösungen • Unsere Wahl • Baseline • Systemarchitektur • Entwicklung einer Lösung • Testen und Evaluieren • Mögliche Verbesserungen • Arbeitsschritte und Zeitplan (Vorläufig) • Stabilität der Ergebnisse bei Anwendung an andere Korpora • Mögliche weitere Erweiterungen • Zusammenfassung • Quellenangaben

3. Kurze Einführung in das Themengebiet • „Sentiment“ / „Semantic Orientation“ (SO) / „Opinion“ • ist die subjektive Meinung über einen Gegenstand / Aktion / Prozess; • positiver oder negativer Inhalt eines Wortes /Satzes /Textes. (Taboada et al., 2006) • „Sentiment Analysis“ bezeichnet die automatische Auswertung von Texten mit dem Ziel, die Meinung des Verfassers ausfindig zu machen. (Wikipedia) • Grundidee/Hypothese ist folgendes: man vermutet, das, dass wenn die SO aller relativen Wörter im Text bekannt sind, kann man die SO des ganzen Textes ermitteln.

4. Kurze Einführung in das Themengebiet Motivation: • Ständig steigende Informationsmenge im Internet • Texte können oft lang und unübersichtlich sein • Filterung oft anhand eines Ranking (ohne Sentiment) ________________  Sentement Analysis

5. Kurze Einführung in das Themengebiet Anwendungsgebiete: • Produktbewertung • Hu/Liu: Mining and Summarizing Customer Reviews • Politische Texte • Pang/Lee: Get out the vote: Determining support or opposition from Congressional floor-debate transcripts • Emails • AUTONOMY ETALK (http://www.autonomy.com/content/News/Releases/2007/0307.en.html) • Blogs • Owsley/Sood/Hammond: Domain Specific Affective Classification of Documents • Film- und Buchkritiken • Pang/Lee: Thumbs up? Sentiment Classification using Machine Learning Techniques

6. Grundsätzliche Lösungen Die Interesse an der Sentiment Klassifikation ist momentan von der großen Bedeutung. Die Recherche hat ergeben, dass Sentiment Analysis viele Bereichen involviert wird: • Manuelle oder halbmanuelle Bildung der Lexika • Automatische Bildung der Lexika • Extraktion von Subjektiven Inhalt • Maschinelles Lernen • Diskurs Analyse

7. Grundsätzliche Lösungen • Manuelle oder halbmanuelle Bildung der Lexika „An operational System for detecting and tracking opinion online discussion“ von Tong, R.M. Working Notes of the ACM SIGIR 2001 Workshop on Operational Text Classification (pp. 1-6). New York, NY: ACM Das System: 1. Findet online Filmkritiken 2. Bewertet sie aufgrund der manuell erstellten Lexika 3. Erstellt einen Graph über die Zeit

8. Grundsätzliche Lösungen • Automatische Bildung der Lexika „Predicting the Semantic Orientation of Adjectives“ von Hatzivassiloglou and McKeown in Proceedings of the 35th Annual Meeting of the ACL and the 8th Conference of the European Chupter of the ACL, pp. 174-181, 1997. (1) The tax proposal was simplistic but well-received by the public. (2) *The tax proposal was simplistic and well-received by the public. 4 Schritt Algorithmus: 1. Extraktion von Adjektiven und Konjunktionen 2. Paarweise markieren der Adjektive um ein Graph bilden zu können 3. Clustering 4. Zuordnung der Clusters. Das Experiment: Corpus: 21 Million Wörter Genauigkeit: 78% bis 92% (hängt von der Korpusgröße ab)

9. Grundsätzliche Lösungen • Extraktion von Subjektiven Inhalt „Learning Subjective Adjectives from Corpora“ von Wiebe, Janice M. in Proceeding of the 17th National Conference on Artificial Intellegence. Menlo Park, CA: AAAI Press (1) At several different layers, it‘s a fascinating tale. (subjektiv) (2) Bell Industries Inc. Increased ist quarterly to 10 cents from 7 cents a share. (objektiv) Vorgehensweise: 1. Manuelles Annotieren von Texten (die Sätze werden nur dann als subjektiv gewertet, wenn mindestens 1 Adjektiv des Sets vorkommt) 2. Manuelles Identifizieren dieser Ausdrücke im gewonnenen Korpus 3. Clustering nach distributiver Ähnlichkeit 4. Verfeinerung der Ergebnisse mit Polarität und Stärke 5. Bildung eines automatischen Lernsystems Das Experiment: Korpus: 1001 Sätze Genauigkeit: 60% - 79% (hängt von Verfeinerung ab)

10. Grundsätzliche Lösungen • Maschinelles Lernen „Thumbs Up? Semantic Orientation Applied to Unsupervised Classification of Reviews“ von Turney, Peter D. Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL), Philadelphis, July 2002. pp 417-424. Vorgehensweise: 1. Extraktion der Phrasen nach 5 POS-Mustern (z.B. Adj+Nom, Abv+Adj) 2. Bestimmung der SO durch Pointwise Mutual Information and Information Retrieval (PMI-IR) 3. Berechnung des Mittelwertes der SO für den ganzen Text. Das Experiment: Korpus: 410 Rezensionen aus 4 verschiedenen Domänen: Auto-, Bank-, Film- und Reisezielrezensionen Genauigkeit: 74% (66% - 84% hängt von Domäne ab)

11. Grundsätzliche Lösungen • Diskurs Analyse "Sentiment classification techniques for tracking literary reputation" von TaboadaProceedings of LREC Workshop, "Towards Computational Models of Literary Analysis". Genoa, Italy. May 2006. pp. 36-43. NB: Berücksichtigen der Textstruktur Stand des Projektes: in Prozess Vorgehensweise: 1. Halbautomatische Bildung der Lexika: OS der Adjektive werden mittels AND –Operator der Google Suchmaschine berechnet 2. Es werden die Gewichte den Adjektiven zugewiesen hängen davon, in welchem Teil des Textes (am Anfang, in der Mitte oder am Ende) das Adjektiv vorkommt. 3. Statt den Mittelwert der SO für den ganzen Text zu berechen (die Methode hat sich nicht besonders gut bewiesen), wir der Diskursparser eingesetzt. Dieser bestimmt Haupt- und Nabensätze und die Relationen zwischen den beiden. 4. Die Hauptsätze werden extrahiert und nur von diesen wird anhand der Lexika die SO berechnet. Das Experiment: Korpus: literarische Kritiken über 6 Autoren

12. Unsere Wahl • „Thumbs up? Sentiment Classification using Machine Learning Techniques” von B.Pang and L.Lee in Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP), pp. 79--86, 2002. Vorgehensweise: 1. Korpus aus ausgewählte Filmkritiken die eine Bewertung haben 2. Einteilung der Texte in positiv, negativ und neutral durch Extraktion der Bewertung 3. Häufigkeitsanalyse der Adjektive in den positiven und den negativen Texten 4. Bildung von positiver und negativer Wörterliste 5. Optimierung der gewonnenen Sets • Warum? • Einfachere Lösung • Liefert gute Ergebnisse • Besonders gut geeignet, weil Filmkritiken bewertet werden • Interesse, ob es genauso gut für das Deutsche funktioniert

13. (words_manuell) Baseline: Systemarchitektur 1 Manuelle Erstellung der Listen Verteilung in positiv/negativ (datenbank_FK) Datenbank für Filmkritiken www.zelluloid.de POS Wörterliste (n) NEG Wörterliste (n) Positive Texte DB Negative Texte DB POS Wörterliste (p) Freq (f) von POS/NEG. Wörtern in beiden DB NEG Wörterliste (n) (main) (main)

14. (words_semiAutomatic) Baseline: Systemarchitektur 2 TreeTagger Freq (f) count of words in Database Verteilung in positiv/negativ (datenbank_FK) Datenbank für Filmkritiken www.zelluloid.de 7 häufigste POS Wörterliste (p) 7 häufigste NEG Wörterliste (n) Positive Texte DB Negative Texte DB POS Wörterliste (p) Freq (f) von POS/NEG. Wörtern in beiden DB NEG Wörterliste (n) (main)

15. Baseline: Entwicklung einer Lösung Corpus: • Quelle: Filmkritiken von zelluloid.de • Format: html-Texte • Anzahl der Texte: 1054? (hängt von der Erstellung ab) • Erstellung: automatisch/halbautomatisch? • Automatische Bildung von 2 Datenbanken: positiv (100-55%) und negativ (0-45%) • Verteilung der Daten in Development- und Testsets: • MainSet: ca 554 Texten • Developmentset: ca. 300 Texte • Testset: ca. 300 Texte • html -> txt

16. Baseline: Entwicklung einer Lösung • Bildung von Wortlisten aus Adjektiven. • Warum? Diese sind gute Indikatoren für die subjektive Meinung. • Keyword-Liste von Baseline 1: • Manuelle Erstellung der Liste anhand der Gefühl/Häuftigkeit • Keyword-Liste von Baseline 2: • Automatische Erstellung der Liste anhand der Häufigkeit. • txt - > TreeTagger - > getaggt.txt • Aus dem getaggt.txt werden die Adjektive, Adverbien(?) und Satzendzeichen (!, ?) genommen und die Frequenzlisten gebildet. • Die häufigsten 7 (?) werden in die Keyword-Liste integriert.

17. Baseline: Entwicklung einer Lösung • Funktion findKeyWord.py: • Input: text.txt, POSKeyWordList.txt, NEGKeyWordList.txt • Output: Dokumentvektor • doc1(POS)={word1: x-mal, word2: y-mal, ..., wordn: z-mal} • doc1(NEG)={word1: x-mal, word2: y-mal, ..., wordn: z-mal} • Funktion compareVectors.py: • Input: Dokumentenvektoren • Vergleichsmethode: nach Vorkommen im Text • Output: Bewertung (positiv, negativ, neutral) • Der Output wird in eine Datei namens resultsForPOS.txt und resultsForNEG.txt abgespeichert

18. Baseline: Testen und Evaluieren • Test 1: • Input: Developmentset • Output: Genauigkeit (wie viele Dokumenten richtig erkannt wurden) und Ties (wie viele POS/NEG Dokumenten als neutrale erkannt wurden) • Test 2: • Input: Testset • Output: Genauigkeit und Ties • Erstellen einer Vergleichsübersicht

19. Mögliche Verbesserungen • Verbesserung 1: • WO?: in der Funktion compareVectors.py • Vergleichsmethode: nach Häufigkeit (Aufsummieren aller Treffe im Text) • Verbesserung 2: • WO?: in den KeyWord-Listen • Hinzufügen von Gewichtung anhand der Frequenzen • Verbesserung 3: • WO?: in den KeyWord-Listen • Hinzufügen von negativen Partikeln wie „kein“, „nicht“ an die Wörter in den Listen

20. (partikeln_semiAutomatic) Verbesserung 3 TreeTagger Freq (f) count of NP = Partikeln + Adjektiv in Database (wordsPartikeln_Automatic) 5 - 10? häufigste NEG. Partikeln Wörterliste (a) (z.B. kein(e), nicht, ...) POS Wörter + NEG. Partikeln NEG Wörte Liste 1 (words_semiAutomatic) NEG Wörter + NEG. Partikeln (words_semiAutomatic) 7 häufigste POS Wörterliste (p) 7 häufigste NEG Wörterliste (n) POS Wörte Liste 1 (main) (datenbank_FK)

21. Arbeitsschritte und Zeitplan (Vorläufig) Aufbereitung der benötigen Corpora Reviews extrahieren Corpora 1 Evaluierung der Corpora (manuell /halbautomatisch / automatisch?) Html -> text Bewertung extrahieren Vladlena 25.06.2007 Vladlena 25.06.2007 Review nach POS und NEG trennen Reviews extrahieren Corpora 2 Bewertung extrahieren Vladlena 10.07.2007 Vladlena 10.07.2007 Vladlena 25.06.2007 (datenbank_FK) Key Wörter Manuell erstellen (words_manuell) (main) Häufigkeit zählen Bau eine Evaluierungssystem Stefanie 30.06.2007 Key Wörter halb-autom. Erstellen mit der Hilfe von Tagger Häufigkeit vergleichen Stefanie 30.06.2007 Svetlana 30.07.2007 Svetlana 15.06.2007 Partikeln Wörter halb-autom. Erstellen mit der Hilfe von Tagger Verbesserung 3 Verbesserung 2 Verbesserung 1 (wordsPartikeln_Automatic) (words_semiAutomatic) (partikeln_semiAutomatic) Vladlena 20.07.2007 Svetlana 20.07.2007 Stefanie 20.07.2007 Svetlana 30.06.2007

22. Quellenangaben • Gammon, M.: Sentiment classification on customer feedback data: noisy data, large feature vectors, and the role of linguistic analysis. • Hatzivassiloglou / McKeown: Predicting the Semantic Orientation of Adjectives. In: Proceedings of the 35th Annual Meeting of the ACL and the 8th Conference of the European Chupter of the ACL,1997.pp. 174-181. • Hu / Liu: Mining and Summarizing Customer Reviews. • Owsley / Sood / Hammond: Domain Specific Affective Classification of Documents. • Pang, B. / Lee, L.:Thumbs up? Sentiment Classification using Machine Learning Techniques. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP), 2002. pp. 79-86. • Taboada: Sentiment classification techniques for tracking literary reputation.In Proceedings of LREC Workshop, ‘Towards Computational Models of Literary Analysis‘. Genoa, Italy, May 2006. pp. 36-43. • Thomas, M. / Pang, B. / Lee, L.: Get out the vote: Determining support or opposition from Congressional floor-debate transcripts. • Tong, R.M.: An operational System for detecting and tracking opinion online discussion. Working Notes of the ACM SIGIR 2001 Workshop on Operational Text Classification. New York, NY: ACM. pp. 1-6. • Turney, Peter D.: Thumbs Up? Semantic Orientation Applied to Unsupervised Classification of Reviews. In: Proceedings of the 40th Annual Meeting of the Associationfor Computational Linguistics (ACL), Philadelphis, July 2002. pp 417-424. • Wiebe, Janice M.: Learning Subjective Adjectives from Corpora. In: Proceeding of the 17th National Conference on Artificial Intellegence. Menlo Park, CA: AAAI Press