دوره 19، شماره 2 - ( 7-1401 )                   جلد 19 شماره 2 صفحات 132-107 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rajabi Z, valavi M, Hourali M. Sentiment analysis methods in Persian text: A survey. JSDP 2022; 19 (2) :107-132
URL: http://jsdp.rcisp.ac.ir/article-1-1099-fa.html
رجبی زینب، ولوی محمدرضا، حورعلی مریم. مروری بر روش‌های تحلیل احساس در متون فارسی. پردازش علائم و داده‌ها 1401; 19 (2) :132-107

URL: http://jsdp.rcisp.ac.ir/article-1-1099-fa.html


پژوهشگاه ارتباطات و فناوری اطلاعات
چکیده:   (244 مشاهده)
با رشد چشم‌گیر رسانه‌های اجتماعی مانند توییتر و افزایش  نظرات کاربران در تارنماهای تجارت الکترونیکی و تارنماهای خبری، افراد و سازمان‌ها به‌طور فزاینده‌ای از نظرات در این رسانه‌ها برای تصمیم‌گیری خود استفاده می‌کنند. تحلیل احساس یکی از روش‌های تحلیل نظرات کاربران است که در سال‌های اخیر مورد توجه قرار گرفته است. تحلیل احساس روی هر زبانی نیازمندی‌های مختص به خود را دارد و به‌کارگیری روش‌ها، ابزارها و منابع زبان انگلیسی به‌طور مستقیم در زبان فارسی با محدودیت‌هایی روبه‌رو است. متون نوشته‌شده به زبان فارسی ویژگی‌های خاصی دارند که نیازمند روش‌های خاص تحلیل احساس هستند که متفاوت از زبان انگلیسی است.
در این مقاله، پژوهش‌های تحلیل احساس که روی متون به زبان فارسی انجام شده است، مورد بررسی و مقایسه قرار می‌گیرد. ابتدا رویکردهای تحلیل احساس، وظایف و سطوح تحلیل احساس تشریح می‌شود. در ادامه تلاش می‌شود که مروری روی روش‌های به‌کارگرفته‌شده برای وظایف تحلیل احساس متون فارسی انجام شود و جایگاه کارهای انجام‌شده در زبان فارسی روشن شود. همچنین منابع داده­ای ایجاد و منتشر‌شده برای تحلیل احساس متون فارسی معرفی شده است. در نهایت با توجه به مطالعات انجام گرفته روی آخرین پیشرفت‌های تحلیل احساس، مسائل و چالش‌هایی که در زبان فارسی به آن پرداخته نشده را برشمرده و نقشه راهی برای پژوهش‌های آینده پردازش متون فارسی ارائه می‌شود.
 
شماره‌ی مقاله: 8
متن کامل [PDF 1363 kb]   (82 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش متن
دریافت: 1398/9/24 | پذیرش: 1400/3/2 | انتشار: 1401/7/8 | انتشار الکترونیک: 1401/7/8

فهرست منابع
1. [1] E. Cambria, S. Poria, A. Hussain, and B. Liu, "Computational Intelligence for Affective Computing and Sentiment Analysis [Guest Editorial]", IEEE Computational Intelligence Magazine, vol. 14(2), pp. 16-17, 2019. [DOI:10.1109/MCI.2019.2901082]
2. [2] B. Liu, "Sentiment analysis and opinion mining", Synthesis lectures on human language technologies, vol. 5(1), pp. 1-167, 2012. [DOI:10.2200/S00416ED1V01Y201204HLT016]
3. [3] B. Liu, "Sentiment Analysis and Subjectivity", Handbook of natural language processing, vol. 2, pp. 627-666, 2010.
4. [4] A. Keramatfar, and H. Amirkhani, "Bibliometrics of sentiment analysis literature", Journal of Information Science, vol. 45(1), pp. 3-15, 2019. [DOI:10.1177/0165551518761013]
5. [5] R. Piryani, D. Madhavi, and V.K. Singh, "Analytical mapping of opinion mining and sentiment analysis research during 2000-2015", Information Processing & Management, vol.53(1), pp. 122-150, 2017. [DOI:10.1016/j.ipm.2016.07.001]
6. [6] W. Medhat, A. Hassan, and H. Korashy, "Sentiment analysis algorithms and applications: A survey," Ain Shams Engineering Journal, vol.5(4), pp. 1093-1113, 2014. [DOI:10.1016/j.asej.2014.04.011]
7. [7] K. Ravi, and V. Ravi, "A survey on opinion mining and sentiment analysis: Tasks, approaches and applications", Knowledge-Based Systems, vol.89, pp. 14-46, 2015. [DOI:10.1016/j.knosys.2015.06.015]
8. [8] A. Montoyo, P. MartíNez-Barco, and A. Balahur, "Subjectivity and sentiment analysis: An overview of the current state of the area and envisaged developments", Decision Support Systems, vol. 53(4), pp. 675-679, 2012. [DOI:10.1016/j.dss.2012.05.022]
9. [9] A.N. Jebaseeli, and E. Kirubakaran, "A survey on sentiment analysis of (product) reviews", International Journal of Computer Applications, vol. 47(11), 2012. [DOI:10.5120/7234-0242]
10. [10] D. Hussein, "A survey on sentiment analysis challenges", Journal of King Saud University-Engineering Sciences, vol. 30(4), pp. 330-338, 2018. [DOI:10.1016/j.jksues.2016.04.002]
11. [11] N. Boudad, R. Faizi, R.O.H. Thami, and R. Chiheb, "Sentiment analysis in Arabic: A review of the literature", Ain Shams Engineering Journal, 2017. [DOI:10.1016/j.asej.2017.04.007]
12. [12] S.L. Lo, E. Cambria, R. Chiong, and D. Cornforth, "Multilingual sentiment analysis: from formal to informal and scarce resource languages", Artificial Intelligence Review,. Vol.48(4), pp. 499-527, 2017. [DOI:10.1007/s10462-016-9508-4]
13. [13] K. Dashtipour, S. Poria, A. Hussain, E. Cambria, A.Y. Hawalah, A. Gelbukh, and Q. Zhou, "Multilingual sentiment analysis: state of the art and independent comparison of techniques", Cognitive computation, vol.8(4), pp. 757-771, 2016. [DOI:10.1007/s12559-016-9415-7] [PMID] [PMCID]
14. [14] E.F. Can, A. Ezen-Can, and F. Can, "Multilingual Sentiment Analysis: An RNN-Based Framework for Limited Data", arXiv preprint arXiv:1806.04511, 2018.
15. [15] A. Balahur, J.M. Hermida, and A. Montoyo, "Detecting implicit expressions of sentiment in text based on commonsense knowledge", in Proceedings of the 2nd workshop on computational approaches to subjectivity and sentiment analysis, 2011, Association for Computational Linguistics.
16. [16] M.E. Basiri, A.R. Naghsh-Nilchi, and N. Ghassem-Aghaee, "A framework for sentiment analysis in persian" Open Transactions on Information Processing, Vol.1(3), pp. 1-14, 2014. [DOI:10.15764/OTIP.2014.03001]
17. [17] E. Asgarian, M. Kahani, and S. Sharifi, "The impact of sentiment features on the sentiment polarity classification in Persian reviews", Cognitive Computation, vol. 10(1), pp. 117-135, 2018. [DOI:10.1007/s12559-017-9513-1]
18. [18] R. Dehkharghani, "SentiFars: A Persian Polarity Lexicon for Sentiment Analysis", ACM Transactions on Asian and Low-Resource Language Information Processing (TALLIP), vol. 19(2), pp. 21, 2019. [DOI:10.1145/3345627]
19. [19] E. Cambria, "An introduction to concept-level sentiment analysis," in Mexican International Conference on Artificial Intelligence, 2013. Springer.
20. [20] N. Cristianini, and J. Shawe-Taylor, "An introduction to support vector machines and other kernel-based learning methods", 2000: Cambridge university press. [DOI:10.1017/CBO9780511801389] [PMCID]
21. [21] T. Joachims, "Making large-scale svm learning practical", I n A dvan ces in Ker n e l Meth od s. 1998, MIT Press.
22. [22] B. Pang, L. Lee, and S. Vaithyanathan, "Thumbs up?: sentiment classification using machine learning techniques", in Proceedings of the ACL-02 conference on Empirical methods in natural language processing,Vol. 10, 2002, [DOI:10.3115/1118693.1118704]
23. [23] P.D. Turney, "Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews", in Proceedings of the 40th annual meeting on association for computational linguistics, 2002, Association for Computational Linguistics. [DOI:10.3115/1073083.1073153]
24. [24] S. Dasgupta, and V. Ng, "Mine the easy, classify the hard: a semi-supervised approach to automatic sentiment classification", in Proceedings of the Joint Conference of the 47th Annual Meeting of the ACL and the 4th International Joint Conference on Natural Language Processing of the AFNLP. 2009. [DOI:10.3115/1690219.1690244]
25. [25] S. Poria, E. Cambria, G. Winterstein, and G.-B. Huang, "Sentic patterns: Dependency-based rules for concept-level sentiment analysis", Knowledge-Based Systems, Vol. 69, pp. 45-63, 2014. [DOI:10.1016/j.knosys.2014.05.005]
26. [26] E. Cambria, and A. Hussain, "Sentic computing: a common-sense-based framework for concept-level sentiment analysis", Springer, Vol. 1. 2015.
27. [27] E. Cambria, S. Poria, F. Bisio, R. Bajpai, and I. Chaturvedi, "The CLSA model: a novel framework for concept-level sentiment analysis", in International Conference on Intelligent Text Processing and Computational Linguistics, Springer, 2015. [DOI:10.1007/978-3-319-18117-2_1]
28. [28] Z. Rajabi, M.R. Valavi, and M. Hourali, "A Context-Based Disambiguation Model for Sentiment Concepts Using a Bag-of-Concepts Approach", Cognitive Computation, pp. 1-14, 2020. [DOI:10.1007/s12559-020-09729-1]
29. [29] K. Dashtipour, M. Gogate, J. Li, F. Jiang, B. Kong, and A. Hussain, "A hybrid Persian sentiment analysis framework: Integrating dependency grammar-based rules and deep neural networks", Neurocomputing, 2020. 380: pp. 1-10. [DOI:10.1016/j.neucom.2019.10.009]
30. [30] گلپر رابوکی، ع.، ج. رضایی نور، و س.ا. ضرغامی فر، استخراج ويژگيها در اندیشه کاوی مورد استفاده در متون فارسی, در دومین همایش ملی کامپیوتر. 1392.
31. [30] E. Golpar-Rabooki, S. Zarghamifar, and J. Rezaeenour, Feature extraction in opinion mining for Persian text, in 2nd National Conference on Computer Science, 2013.
32. [31] گلپر رابوکی، ع.، ج. رضایی نور، و س.ا. ضرغامی فر، استخراج ویژگیها و بسط لغتنامه در اندیشه کاوی مورد استفاده در متون فارسی، در دومین همایش ملی پژوهش های کاربردی در علوم کامپیوتر و فناوری اطلاعات. 1393.
33. [31] E. Golpar-Rabooki, S. Zarghamifar, and J. Rezaeenour, "Feature extraction in opinion mining through Persian reviews", Journal of AI and Data Mining, vol. 3(2), pp. 169-179, 2015. [DOI:10.5829/idosi.JAIDM.2015.03.02.06]
34. [32] E. Golpar-Rabooki, S. Zarghamifar, and J. Rezaeenour, "Feature extraction in opinion mining through Persian reviews", Journal of AI and Data Mining, vol. 3(2), pp. 169-179, 2015. [DOI:10.5829/idosi.JAIDM.2015.03.02.06]
35. [33] میر اجاق، ف.ا. ، م.ح. ندیمی شهرکی، ارائه یک رویکرد نظارتی برای تشخیص هرز نظرات جعلی, در کنفرانس بین‌المللی مهندسی برق و علوم کامپیوتر. 1394.
36. [33] F. Mirojagh, M. Shahraki, "Fake opinion detection using a supervised approach", International Conference on Electrical Engineering and Computer Science, 2014.
37. [34] S. Zirpe, and B. Joglekar, "Polarity shift detection approaches in sentiment analysis: A survey", in 2017 International Conference on Inventive Systems and Control (ICISC), IEEE, 2017. [DOI:10.1109/ICISC.2017.8068737]
38. [35] M. Shams, A. Shakery, and H. Faili, "A non-parametric LDA-based induction method for sentiment analysis," in The 16th CSI International Symposium on Artificial Intelligence and Signal Processing (AISP 2012), IEEE, 2012. [DOI:10.1109/AISP.2012.6313747]
39. [36] A. Bagheri, and M. Saraee, "Persian sentiment analyzer: A framework based on a novel feature selection method", International Journal of Artificial Intelligence, vol. 12(2), pp. 115-129, 2014.
40. [37] A. Bagheri, M. Saraee, and F. de Jong. "Sentiment classification in Persian: Introducing a mutual information-based method for feature selection", in 2013 21st Iranian Conference on Electrical Engineering (ICEE), IEEE, 2013. [DOI:10.1109/IranianCEE.2013.6599671] [PMID]
41. [38] E. Vaziripour, C. Giraud-Carrier, and D. Zappala, "Analyzing the political sentiment of Tweets in Farsi", in Tenth International AAAI Conference on Web and Social Media, 2016.
42. [39] F. Amiri, S. Scerri, and M. Khodashahi. "Lexicon-based sentiment analysis for Persian Text", in Proceedings of the International Conference Recent Advances in Natural Language Processing, 2015.
43. [40] S. Alimardani, and A. Aghaie, Opinion mining in Persian language using supervised algorithms, Journal of Information Systems and Telecommunication (JIST), 2015.
44. [41] علی مردانی, س. and ع. آقایی, ارائة روش نظارتي براي نظركاوي در زبان فارسي با استفاده از لغت نامه و الگوريتم SVM. مدیریت فناوری اطلاعات دانشکده مدیریت دانشگاه تهران, 1394. 7(2): p. 345-362.
45. [41] S. Alimardani, and A. AGHAIE, "Opinion mining in Persian language using supervised algorithms and sentiment lexicon", Journal of Information Technology Management, vol.7, pp. 345-362, 2015.
46. [42] S. Sadidpour, , H. Shirazi, N.M. Sharef, B. Minaei-Bidgoli, and M.E. Sanjaghi, "Context-Sensitive Opinion Mining using Polarity Patterns", International Journal of Advanced Computer Science and Applications (IJACSA), pp.7, 2016. [DOI:10.14569/IJACSA.2016.070920]
47. [43] M. Saraee, and A. Bagheri, "Feature selection methods in Persian sentiment analysis", in International Conference on Application of Natural Language to Information Systems. Springer, 2013. [DOI:10.1007/978-3-642-38824-8_29]
48. [44] Li, Y, H. Guo, Q. Zhang, M. Gu, and J. Yang, "Imbalanced text sentiment classification using universal and domain-specific knowledge," Knowledge-Based Systems, vol.160, pp. 1-15, 2018. [DOI:10.1016/j.knosys.2018.06.019]
49. [45] S. Noferesti, and M. Shamsfard, "Using Linked Data for polarity classification of patients' experiences", Journal of biomedical informatics,vol. 57, pp. 6-19, 2015. [DOI:10.1016/j.jbi.2015.06.017] [PMID]
50. [46] نجف زاده ، م.، س. راحتی قوچانی ، و س. قائمی یک چارچوب نیمه نظارتی مبتنی بر لغت نامه وفقی خودساخت جهت تحلیل نظرات فارسی. پردازش علائم و داده ها، 1397. 36(2): p. 89-101.
51. [46] M.Najafzadeh, S. Rahati Quchan, and R. Ghaemi, "A Semi-supervised Framework Based on Self-constructed Adaptive Lexicon for Persian Sentiment Analysis", Signal and Data Processing,vol. 15(2), pp. 89-102, 2018. [DOI:10.29252/jsdp.15.2.89]
52. [47] I. Dehdarbehbahani, A. Shakery, and H. Faili, "Semi-supervised word polarity identification in resource-lean languages", Neural Networks, vol. 58, pp. 50-59, 2014. [DOI:10.1016/j.neunet.2014.05.018] [PMID]
53. [48] عسگریان، ا. م. کاهانی، و ش. شریفی، حس نگار: شبکه واژگان حسی فارسی. فصلنامه پردازش علائم و داده ها، 1397. 35(1): p. 71-86.
54. [48] E.Asgarian, , M. Kahani, and S. Sharifi, "HesNegar: Persian Sentiment WordNet", Signal and Data Processing,vol, vol.15(1), pp. 71-86, 2018. [DOI:10.29252/jsdp.15.1.71]
55. [49] B. Sabeti, , P. Hosseini, G. Ghassem-Sani, and S.A. Mirroshandel, LexiPers: An ontology based sentiment lexicon for Persian. in GCAI. 2016.
56. [50] S. Deng, A.P. Sinha, and H. Zhao, "Adapting sentiment lexicons to domain-specific social media texts", Decision Support Systems, vol. 94, pp. 65-76, 2017. [DOI:10.1016/j.dss.2016.11.001]
57. [51] حسینی، پ.، ح. ملکی گلندوز، ع. احمدیان رمکی، م. انواری رستمکلایی، و س. میرروشندل, پیکره فارسی تحلیل احساس سنتی پرس: توسعه یک پیکره ی تحلیل احساس متنی برای زبان فارسی، در سومین همایش ملی زبان شناسی رایانشی. 1392.
58. [51] P. Hosseini, H. Maleki, A.A. Ramaki, , M. Anvari, and S.A. Mirroshandel, "A sentiment analysis corpus for Persian(SentiPers)," in 3rd National Conference on Computational Linguistics, 2013.
59. [52] P. Hosseini, A.A. Ramaki, H. Maleki, M. Anvari, and S.A. Mirroshandel, SentiPers: a sentiment analysis corpus for Persian. arXiv preprint arXiv:1801.07737, 2018.
60. [53] مرادی ، م.، پ. خسروی‌زاده، و و. وزیرنژاد ساخت پیکره‌های نشانه‌گذاری‌شده با رویکرد وب به عنوان پیکره، در دومین هم‌اندیشی زبان‌شناسی رایانشی. 1391: تهران.
61. [53] M. Moradi, P. Khosravizade, and V. Bahram, "Constructing tagged corpora with a web approach as a corpus", in 2th symposium on computational Linguistics, 2012.
62. [54] K. Dashtipour, A. Hussain, Q. Zhou, A. Gelbukh, A.Y. Hawalah, and E. Cambria. "PerSent: a freely available Persian sentiment lexicon", in International Conference on Brain Inspired Cognitive Systems, 2016, Springer. [DOI:10.1007/978-3-319-49685-6_28]
63. [55] A. Esuli, and F. Sebastiani, "Sentiwordnet: A publicly available lexical resource for opinion mining," in Proceedings of LREC. 2006. Citeseer.
64. [56] P.J. Stone, D.C. Dunphy, and M.S. Smith, The general inquirer: A computer approach to content analysis, 1966.
65. [57] T.Wilson, J. Wiebe, and P. Hoffmann, "Recognizing contextual polarity in phrase-level sentiment analysis", in Proceedings of Human Language Technology Conference and Conference on Empirical Methods in Natural Language Processing, 2005. [DOI:10.3115/1220575.1220619] [PMCID]
66. [58] C.H.E. Gilbert, Vader: A parsimonious rule-based model for sentiment analysis of social media text. in Eighth International Conference on Weblogs and Social Media (ICWSM-14). Available at (20/04/16) http://comp. social. gatech. edu/papers/icwsm14. vader. hutto. pdf. 2014.
67. [59] S. Huang, Z. Niu, and C. Shi, "Automatic construction of domain-specific sentiment lexicon based on constrained label propagation," Knowledge-Based Systems, vol. 56, pp. 191-200, 2014. [DOI:10.1016/j.knosys.2013.11.009]
68. [60] S.Tan, and Q. Wu, "A random walk algorithm for automatic construction of domain-oriented sentiment lexicon," Expert Systems with Applications, vol. 38(10), pp. 12094-12100, 2011. [DOI:10.1016/j.eswa.2011.02.105]
69. [61] K. Dashtipour, A. Raza, A. Gelbukh, R. Zhang, E. Cambria, and A. Hussain, "PerSent 2.0: Persian Sentiment Lexicon Enriched with Domain-Specific Words", in International Conference on Brain Inspired Cognitive Systems, Springer, 2019. [DOI:10.1007/978-3-030-39431-8_48]
70. [62] A. Balahur, and G. Jacquet, Sentiment analysis meets social media-Challenges and solutions of the field in view of the current information sharing context. Information Processing & Management, 2015. 51(4): p. 428-432. [DOI:10.1016/j.ipm.2015.05.005]
71. [63] D. Osimo, and F. Mureddu, "Research challenge on opinion mining and sentiment analysis", Universite de Paris-Sud, Laboratoire LIMSI-CNRS, Bâtiment, 2012. 508.
72. [64] E. Cambria, B. Schuller, Y. Xia, and C. Havasi, "New avenues in opinion mining and sentiment analysis", IEEE Intelligent Systems, vol. 28(2), pp. 15-21, 2013. [DOI:10.1109/MIS.2013.30]
73. [65] رجبی، ز.، م. ولوی، و م. حورعلی، ارائه مدلی برای غنی سازی واژگان سنجمانی بر مبنای پایگاه دانش معنایی، در کنفرانس فرماندهی و کنترل. 1396.
74. [65] Z. Rajabi, M. Valavi, and M. Hourali, "A model for enriching sentiment lexicon based on semantic knowledge base", 10st Iranian C4I Conference, 2017.
75. [66] رجبی، ز.، م. ولوی، و م. حورعلی، ارائه یک مدل مبتنی بر زمینه برای رفع ابهام از مفاهیم حسی با کمک دانش عرفی. فصلنامه علمی-پژوهشی فرماندهی و کنترل، 1397. 2(2): p. 32-47.
76. [66] Z. Rajabi, M. Valavi, and M. Hourali, "A context-based model for disambiguating the sentiment concepts using the common-sense knowledge", C4I Journal, vol.2(2), pp. 32-47, 2018.
77. [67] J. Liao, S. Wang, and D. Li, "Identification of fact-implied implicit sentiment based on multi-level semantic fused representation" Knowledge-Based Systems, vol.165, pp. 197-207, 2019. [DOI:10.1016/j.knosys.2018.11.023]
78. [68] C. Hung, "Word of mouth quality classification based on contextual sentiment lexicons", Information Processing & Management, vol. 53(4), pp. 751-763, 2017. [DOI:10.1016/j.ipm.2017.02.007]
79. [69] H. Saif, Y. He, M. Fernandez, and H. Alani, "Contextual semantics for sentiment analysis of Twitter", Information Processing & Management, vol. 52(1), pp. 5-19, 2016. [DOI:10.1016/j.ipm.2015.01.005]
80. [70] S. Noferesti, and M. Shamsfard, "Resource construction and evaluation for indirect opinion mining of drug reviews", PloS one, vol. 10(5), pp. e0124993, 2015. [DOI:10.1371/journal.pone.0124993] [PMID] [PMCID]
81. [71] L. Zhang, S. Wang, and B. Liu, "Deep learning for sentiment analysis: A survey. Wiley Interdisciplinary Reviews", Data Mining and Knowledge Discovery, 2018. Vol.8(4), p p,1253. [DOI:10.1002/widm.1253]
82. [72] T. Young, D. Hazarika, S. Poria, and E. Cambria, "Recent trends in deep learning based natural language processing", ieee Computational intelligenCe magazine, vol.13(3), pp. 55-75, 2018. [DOI:10.1109/MCI.2018.2840738]
83. [73] K. Dashtipour, M. Gogate, A. Adeel, C. Ieracitano, H. Larijani, and A. Hussain, "Exploiting deep learning for persian sentiment analysis", in International Conference on Brain Inspired Cognitive Systems, Springer, 2018. [DOI:10.1007/978-3-030-00563-4_58]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.