Lexicon Adaptation for Spanish Emotion Mining

  1. Jiménez Zafra, Salud M.
  2. Martín Valdivia, María Teresa
  3. Plaza-del-Arco, Flor Miriam
  4. Molina González, M. Dolores
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2018

Número: 61

Páginas: 117-124

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

La minería de emociones es una tarea emergente que todavía se encuentra en una primera etapa de investigación. La mayoría de los trabajos y recursos existentes se han realizado para textos en inglés, pero la presencia en Internet de otras lenguas, como el español, es cada vez mayor. En la tarea Shared Task on Emotion Intensity de la competición WASSA-2017 se llegó a la conclusión de que los sistemas que mejor realizaban la clasificación de intensidad de las emociones eran aquellos que incluían características de lexicones afectivos. Este hecho, combinado con la escasez de recursos en español, nos llevó a construir un nuevo lexicón para el español que ha sido probado sobre el conjunto de datos liberado en la tarea 1 de la competición SemEval 2018. Además, se ha comparado con el único lexicón de intensidades existente en español, el lexicón SEL, y se ha demostrado la dificultad de la tarea y la importancia de continuar trabajando en el desarrollo de recursos.

Referencias bibliográficas

  • Cambria, E. 2016. Affective computing and sentiment analysis. IEEE Intelligent Systems, 31(2):102–107.
  • De Choudhury, M., M. Gamon, S. Counts, and E. Horvitz. 2013. Predicting depression via social media. ICWSM, 13:1–10.
  • Fellbaum, C. 1998. WordNet. Wiley Online Library.
  • Gupta, N., M. Gilbert, and G. D. Fabbrizio. 2013. Emotion detection in email customer care. Computational Intelligence, 29(3):489–505.
  • Jiménez-Zafra, S. M., M. T. Martín-Valdivia, E. Martínez-Cámara, and L. A. Urenña López. 2016. Combining resources to improve unsupervised sentiment analysis at aspect-level. Journal of Information Science, 42(2):213–229.
  • Kim, S. M., A. Valitutti, and R. A. Calvo. 2010. Evaluation of unsupervised emotion models to textual affect recognition. In Proceedings of the NAACL HLT 2010 Workshop on Computational Approaches to Analysis and Generation of Emotion in Text, pages 62–70. Association for Computational Linguistics.
  • Liu, B. 2015. Sentiment analysis: Mining opinions, sentiments, and emotions. Cambridge University Press.
  • Luyckx, K., F. Vaassen, C. Peersman, and W. Daelemans. 2012. Fine-grained emotion detection in suicide notes: A thresholding approach to multi-label classification. Biomedical informatics insights, 5:BII–S8966.
  • Mohammad, S. M. 2017. Word affect intensities. arXiv preprint arXiv:1704.08798.
  • Mohammad, S. M. and F. Bravo-Marquez. 2017. Wassa-2017 shared task on emotion intensity. arXiv preprint arXiv:1708.03700.
  • Mohammad, S. M., F. Bravo-Marquez, M. Salameh, and S. Kiritchenko. 2018. Semeval-2018 Task 1: Affect in tweets. In Proceedings of International Workshop on Semantic Evaluation (SemEval-2018), New Orleans, LA, USA.
  • Mohammad, S. M. and P. D. Turney. 2010. Emotions evoked by common words and phrases: Using mechanical turk to create an emotion lexicon. In Proceedings of the NAACL HLT 2010 workshop on computational approaches to analysis and generation of emotion in text, pages 26–34. Association for Computational Linguistics.
  • Molina-González, M. D., E. MartínezCámara, M. T. Martín-Valdivia, and L. A. Urenña-López. 2015. A spanish semantic orientation approach to domain adaptation for polarity classification. Information Processing & Management, 51(4):520–531.
  • Montejo-Ráez, A., E. Martínez-Cámara, M. T. Martín-Valdivia, and L. A. UrenñaLópez. 2014. A knowledge-based approach for polarity classification in twitter. Journal of the Association for Information Science and Technology, 65(2):414–425.
  • Pang, B. and L. Lee. 2008. Opinion mining and sentiment analysis. Foundations and Trends R© in Information Retrieval, 2(1– 2):1–135.
  • Pennebaker, J. W., R. J. Booth, and M. E. Francis. 2007. Liwc2007: Linguistic inquiry and word count. Austin, Texas: liwc. net.
  • Picard, R. W. et al. 1995. Affective computing.
  • Sidorov, G., S. Miranda-Jiménez, F. ViverosJiménez, A. Gelbukh, N. Castro-Sánchez, F. Velásquez, I. Dı́az-Rangel, S. SuárezGuerra, A. Trevinño, and J. Gordon. 2012. Empirical study of machine learning based approach for opinion mining in tweets. In Mexican international conference on Artificial intelligence, pages 1–14. Springer.
  • Strapparava, C. and A. Valitutti. 2004. Wordnet affect: an affective extension of wordnet. In Lrec, volume 4, pages 1083– 1086. Citeseer.
  • Voeffray, S. 2011. Emotion-sensitive humancomputer interaction (hci): State of the art-seminar paper. Emotion Recognition, pages 1–4.
  • Yadollahi, A., A. G. Shahraki, and O. R. Zaiane. 2017. Current state of text sentiment analysis from opinion to emotion mining. ACM Computing Surveys (CSUR), 50(2):25.
Fuente de los datos: Dialnet