دوره 20، شماره 2 - ( 6-1402 )                   جلد 20 شماره 2 صفحات 20-3 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ahangari Ahangarkolaei M, Sebti A, Yaghoubi M. Automatically generate sentiment lexicon for the Persian stock market. JSDP 2023; 20 (2) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1243-fa.html
آهنگری آهنگرکلائی مرتضی، سبطی علی، یعقوبی مهدی. ساخت واژگان به صورت خودکار برای تحلیل نظرات در حوزه بورس. پردازش علائم و داده‌ها. 1402; 20 (2) :3-20

URL: http://jsdp.rcisp.ac.ir/article-1-1243-fa.html

ساخت واژگان به صورت خودکار برای تحلیل نظرات در حوزه بورس
مرتضی آهنگری آهنگرکلائی ، علی سبطی* ، مهدی یعقوبی
دانشگاه گلستان
چکیده:   (810 مشاهده)
با رشد چشمگیر رسانههای اجتماعی، افراد و سازمانها به طور فزایندهای از افکار عمومی در این رسانهها برای تصمیم گیری خود استفاده می‌کنند. هدف تحلیل احساسات، استخراج خودکار احساسات افراد از این شبکه‌های اجتماعی می‌باشد. شبکه‌های اجتماعی مرتبط به بازارهای مالی، از جمله بازارهای سهام، اخیرا مورد توجه بسیاری از افراد و سازمان‌ها قرار گرفته است. افراد در این شبکه‌ها نظرات و عقاید خود را در مورد هر سهم در قالب یک پست یا توییت، به اشتراک می‌گذارند. در واقع تحلیل احساسات در این حوزه، سنجش نگرش افراد به هر سهم است. یکی از رویکردهای پایه‌ای و اصلی در تحلیل خودکار احساسات روش‌های مبتنی بر واژگان است. اغلب واژگان‌های مرسوم به صورت دستی استخراج شده‌اند که فرایندی بسیار دشوار و هزینه بر است. در این مقاله روشی جدید جهت استخراج یک واژگان به صورت خودکار در حوزه شبکه‌های اجتماعی بورسی ارائه شده است. یک ویژگی خاص این شبکه‌ها، وجود اطلاعات قیمتی هر سهم در هر روز است. با در نظر گرفتن وضعیت قیمتی سهم در روز درج نظر برای آن سهم، واژگانی را برای بهبود کیفیت عقیده کاوی در این شبکه‌ها استخراج نمودیم. برای ارزیابی واژگان‌های تولید شده با استفاده از روش پیشنهادی، آن را با نسخه فارسی واژگان SentiStrength که با هدف استفاده عمومی طراحی شده است، مقایسه نمودیم. نتایج آزمایشات 20 درصد بهبود را در معیار صحت نسبت به استفاده از واژگان عمومی نشان می‌دهد.
شماره‌ی مقاله: 1
واژه‌های کلیدی: تحلیل احساسات، عقیده کاوی، ساخت واژگان، واژگان فارسی
متن کامل [PDF 1026 kb]   (245 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش متن
دریافت: 1400/3/30 | پذیرش: 1401/6/7 | انتشار: 1402/7/30 | انتشار الکترونیک: 1402/7/30
فهرست منابع
1. [1] B. Pang and L. Lee, "Opinion mining and sentiment analysis," Foundations and Trends® in Information Retrieval, vol. 2, no. 1-2, pp. 1-135, 2008. [DOI:10.1561/1500000011]
2. [2] B. Liu and L. Zhang, "A survey of opinion mining and sentiment analysis," in Mining text data: Springer, 2012, pp. 415-463. [DOI:10.1007/978-1-4614-3223-4_13]
3. [3] I. Chaturvedi, E. Cambria, R. E. Welsch, and F. Herrera, "Distinguishing between facts and opinions for sentiment analysis: Survey and challenges," Information Fusion, vol. 44, pp. 65-77, 2018. [DOI:10.1016/j.inffus.2017.12.006]
4. [4] M. Taboada, J. Brooke, M. Tofiloski, K. Voll, and M. Stede, "Lexicon-based methods for sentiment analysis," Computational linguistics, vol. 37, no. 2, pp. 267-307, 2011. [DOI:10.1162/COLI_a_00049]
5. [5] G. A. Miller, WordNet: An electronic lexical database. MIT press, 1998.
6. [6] B. Liu, "Sentiment analysis and opinion mining," Synthesis lectures on human language technologies, vol. 5, no. 1, pp. 1-167, 2012. [DOI:10.2200/S00416ED1V01Y201204HLT016]
7. [7] S. Li, "Sentiment classification using subjective and objective views," International Journal of Computer Applications, vol. 80, no. 7, 2013. [DOI:10.5120/13875-1749]
8. [8] B. Pang, L. Lee, and S. Vaithyanathan, "Thumbs up? Sentiment classification using machine learning techniques," arXiv preprint cs/0205070, 2002. [DOI:10.3115/1118693.1118704]
9. [9] Y. Jo and A. H. Oh, "Aspect and sentiment unification model for online review analysis," in Proceedings of the fourth ACM international conference on Web search and data mining, 2011, pp. 815-824. [DOI:10.1145/1935826.1935932]
10. [10] D. Maynard and A. Funk, "Automatic detection of political opinions in tweets," in Extended Semantic Web Conference, 2011: Springer, pp. 88-99. [DOI:10.1007/978-3-642-25953-1_8]
11. [11] 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, pp. 310-320. [DOI:10.1007/978-3-319-49685-6_28]
12. [12] P. D. Turney, "Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews," arXiv preprint cs/0212032, 2002. [DOI:10.3115/1073083.1073153]
13. [13] S. Rani and P. Kumar, "Deep learning based sentiment analysis using convolution neural network," Arabian Journal for Science and Engineering, vol. 44, no. 4, pp. 3305-3314, 2019. [DOI:10.1007/s13369-018-3500-z]
14. [14] G. Xu, Y. Meng, X. Qiu, Z. Yu, and X. Wu, "Sentiment analysis of comment texts based on BiLSTM," Ieee Access, vol. 7, pp. 51522-51532, 2019. [DOI:10.1109/ACCESS.2019.2909919]
15. [15] M. Rhanoui, M. Mikram, S. Yousfi, and S. Barzali, "A CNN-BiLSTM model for document-level sentiment analysis," Machine Learning and Knowledge Extraction, vol. 1, no. 3, pp. 832-847, 2019. [DOI:10.3390/make1030048]
16. [16] M. Ahmad, S. Aftab, and I. Ali, "Sentiment analysis of tweets using svm," Int. J. Comput. Appl, vol. 177, no. 5, pp. 25-29, 2017. [DOI:10.5120/ijca2017915758]
17. [17] M. Ahmad, S. Aftab, M. S. Bashir, N. Hameed, I. Ali, and Z. Nawaz, "SVM optimization for sentiment analysis," Int. J. Adv. Comput. Sci. Appl, vol. 9, no. 4, pp. 393-398, 2018. [DOI:10.14569/IJACSA.2018.090455]
18. [18] K. Korovkinas, P. Danėnas, and G. Garšva, "SVM and k-means hybrid method for textual data sentiment analysis," Baltic Journal of Modern Computing, vol. 7, no. 1, pp. 47-60, 2019. [DOI:10.22364/bjmc.2019.7.1.04]
19. [19] L. Dey, S. Chakraborty, A. Biswas, B. Bose, and S. Tiwari, "Sentiment analysis of review datasets using naive bayes and k-nn classifier," arXiv preprint arXiv:1610.09982, 2016. [DOI:10.5815/ijieeb.2016.04.07]
20. [20] V. Narayanan, I. Arora, and A. Bhatia, "Fast and accurate sentiment classification using an enhanced Naive Bayes model," in International Conference on Intelligent Data Engineering and Automated Learning, 2013: Springer, pp. 194-201. [DOI:10.1007/978-3-642-41278-3_24]
21. [21] M. S. Hajmohammadi and R. Ibrahim, "A SVM-based method for sentiment analysis in Persian language," International Conference on Graphic and Image Processing (ICGIP 2012), vol. 8768, p. 876838, 2013. [DOI:10.1117/12.2010940]
22. [22] M. Saraee and A. Bagheri, "Feature selection methods in Persian sentiment analysis," International Conference on Application of Natural Language to Information Systems, pp. 303-308, 2013. [DOI:10.1007/978-3-642-38824-8_29]
23. [23] A. S. H. Basari, B. Hussin, I. G. P. Ananta, and J. Zeniarja, "Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimization," Procedia Engineering, vol. 53, no. 7, pp. 453-462, 2013. [DOI:10.1016/j.proeng.2013.02.059]
24. [24] T. S. Ataei, K. Darvishi, S. Javdan, B. Minaei-Bidgoli, and S. Eetemadi, "Pars-ABSA: an Aspect-based Sentiment Analysis dataset for Persian," arXiv preprint arXiv:1908.01815, 2019.
25. [25] K. Dashtipour, M. Gogate, A. Adeel, C. Ieracitano, H. Larijani, and A. Hussain, "Exploiting deep learning for persian sentiment analysis," International Conference on Brain Inspired Cognitive Systems, pp. 597-604, 2018. [DOI:10.1007/978-3-030-00563-4_58]
26. [26] E. Cambria, D. Olsher, and D. Rajagopal, "SenticNet 3: a common and common-sense knowledge base for cognition-driven sentiment analysis," in Proceedings of the AAAI Conference on Artificial Intelligence, 2014, vol. 28, no. 1. [DOI:10.1609/aaai.v28i1.8928]
27. [27] M. Hu and B. Liu, "Mining and summarizing customer reviews," in Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining, 2004, pp. 168-177. [DOI:10.1145/1014052.1014073]
28. [28] L. Deng and J. Wiebe, "Mpqa 3.0: An entity/event-level sentiment corpus," in Proceedings of the 2015 conference of the North American chapter of the association for computational linguistics: human language technologies, 2015, pp. 1323-1328. [DOI:10.3115/v1/N15-1146]
29. [29] A. Neviarouskaya, H. Prendinger, and M. Ishizuka, "SentiFul: A lexicon for sentiment analysis," IEEE Transactions on Affective Computing, vol. 2, no. 1, pp. 22-36, 2011. [DOI:10.1109/T-AFFC.2011.1]
30. [30] A. Esuli and F. Sebastiani, "Sentiwordnet: A publicly available lexical resource for opinion mining," in LREC, 2006, vol. 6: Citeseer, pp. 417-422.
31. [31] S. M. Mohammad and P. D. Turney, "Crowdsourcing a word-emotion association lexicon," Computational intelligence, vol. 29, no. 3, pp. 436-465, 2013. [DOI:10.1111/j.1467-8640.2012.00460.x]
32. [32] 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, no. 3, pp. 1-14, 2014. [DOI:10.15764/OTIP.2014.03001]
33. [33] M. E. Basiri and A. Kabiri, "Sentence-level sentiment analysis in Persian," in 2017 3rd International Conference on Pattern Recognition and Image Analysis (IPRIA), 2017: IEEE, pp. 84-89. [DOI:10.1109/PRIA.2017.7983023]
34. [34] S. M. Mohammad, S. Kiritchenko, and X. Zhu, "NRC-Canada: Building the state-of-the-art in sentiment analysis of tweets," arXiv preprint arXiv:1308.6242, 2013.
35. [35] M. Thelwall, K. Buckley, and G. Paltoglou, "Sentiment strength detection for the social web," Journal of the American Society for Information Science and Technology, vol. 63, no. 1, pp. 163-173, 2012. [DOI:10.1002/asi.21662]
36. [36] M. E. Basiri and A. Kabiri, "Translation is not enough: comparing lexicon-based methods for sentiment analysis in Persian," in 2017 International Symposium on Computer Science and Software Engineering Conference (CSSE), 2017: IEEE, pp. 36-41. [DOI:10.1109/CSICSSE.2017.8320114]
37. [37] B. Sabeti, P. Hosseini, G. Ghassem-Sani, and S. A. Mirroshandel, "LexiPers: An ontology based sentiment lexicon for Persian," arXiv preprint arXiv:1911.05263, 2019.
38. [38] 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, pp. 9-16.
39. [39] R. Dehkharghani, "Sentifars: A persian polarity lexicon for sentiment analysis," ACM Transactions on Asian and Low-Resource Language Information Processing (TALLIP), vol. 19, no. 2, pp. 1-12, 2019. [DOI:10.1145/3345627]
40. [40] E. Haddi, X. Liu, and Y. Shi, "The role of text pre-processing in sentiment analysis," Procedia Computer Science, vol. 17, pp. 26-32, 2013. [DOI:10.1016/j.procs.2013.05.005]
41. [41] A. AleAhmad, H. Amiri, E. Darrudi, M. Rahgozar, and F. Oroumchian, "Hamshahri: A standard Persian text collection," Knowledge-Based Systems, vol. 22, no. 5, pp. 382-387, 2009. [DOI:10.1016/j.knosys.2009.05.002]
42. [42] M. Thelwall, K. Buckley, G. Paltoglou, D. Cai, and A. Kappas, "Sentiment strength detection in short informal text," Journal of the American society for information science and technology, vol. 61, no. 12, pp. 2544-2558, 2010. [DOI:10.1002/asi.21416]
43. [43] G. Shafer, A mathematical theory of evidence. Princeton university press, 1976. [DOI:10.1515/9780691214696] []
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.