КОНТЕКСТНЫЕ ФАКТОРЫ В АНАЛИЗЕ ТОНАЛЬНОСТИ
Аннотация
В статье рассмотрены лингвистические факторы (лексемы-модификаторы), в контексте которых возможны нейтрализация, ослабление, усиление, а также полное изменение знака контекстно-независимой тональности лексем, что значительно осложняет автоматизированное вычисление тональности высказываний в целом. Цель исследования — выявление контекстных факторов при многоаспектном анализе тональности на основе словаря тональной лексики (е-лексикона), определение лексических единиц, посредством которых данные факторы реализуются в тексте, а также увеличение за счет этих единиц покрываемости аннотационного словаря. В исследовании использованы методы корпусного анализа, лексико-онтологического моделирования и контекстного анализа. В результате исследования выделены классы специфических и неспецифических контекстных факторов. К числу первых относятся ирреалис, выражения иронии и сарказма, тонально окрашенная лексика, используемая не по отношению к объекту оценки, и оценочные слова в тонально-нейтральных многокомпонентных лексических группах; к числу вторых — остальные модификаторы. Исследованы лексические воплощения контекстных факторов каждого из классов и условия реализации их конкретного модифицирующего влияния на контекстно-независимую тональность лексем. Выделенные из корпуса глоссы контекстных факторов внесены в е-лексикон платформы аннотирования с соответствующей маркировкой, кодирующей онтологические концепты, которые отражают их модифицирующие значения. Исследование выполнено в рамках проекта по автоматизированному аспектно-тональному анализу, обеспечивает достаточно широкую покрываемость е-лексикона, что в свою очередь повышает корректность автоматического аннотирования и позволяет на следующих этапах проекта разработать формальные правила для автоматизированной модификации контекстно-независимой тональности лексем. Исследование проведено на материале русскоязычного корпуса отзывов об услугах медицинских центров Челябинска.
Скачивания
Литература
2. Кузнецова Е. С., Лукашевич Н. В., Четверкин И. И. Тестирование правил для системы анализа тональности // Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной международной конференции «Диалог» (2013), Бекасово, 29 мая ‒ 2 июня 2013 года. Вып. 12 (19). Том 2. Доклады специальных секций. М. : Изд-во РГГУ, 2013. С. 71‒78.
3. Кулагин Д. И. Открытый тональный словарь русского языка КартаСловСент // Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной международной конференции «Диалог» (2021), Москва, 16–19 июня 2021 года. Вып. 20. М. : Изд-во РГГУ, 2021. С. 1106‒1119.
4. Лукашевич Н. В. Автоматический анализ тональности текстов: проблемы и методы // Интеллектуальные системы. Теория и приложения. 2022. Т. 26, № 1. С. 50–61.
5. Полозов И. К., Волкова И. А. Применение технологии Word2vec в задаче выделения инверторов тональности // МНИЖ. 2020. № 4‒1 (94). С. 36‒39.
6. Самигулин Т. Р., Джурабаев А. Э. У. Анализ тональности текста методами машинного обучения // Научный результат. Информационные технологии. 2021. Т. 6, № 1. С. 55–62.
7. Шереметьева С. О., Бабина О. И. Платформа для концептуального аннотирования многоязычных текстов // Вестник ЮУрГУ. Серия «Лингвистика». 2020. Т. 17, № 4. С. 53–60.
8. Abdulla N., Ahmed N. A., Shebab M. A., Al-Ayyoub M., Al-Kabi M., Al-Rifai S. Towards improving the lexicon-based approach for Arabic sentiment analysis // International Journal of Information Technology and Web Engineering. 2014. Vol. 9 (3). P. 55‒71.
9. Alfrjani R., Osman T., Cosma G. A hybrid semantic knowledgebase-machine learning approach for opinion mining // Data & Knowledge Engineering. 2019. Vol. 121. P. 88–108.
10. Appel O., Chiclana F., Carter J., Fujita H. Successes and challenges in developing a hybrid approach to sentiment analysis // Applied Intelligence. 2017. Vol. 48. P. 1176‒1188.
11. Blinov P. D., Klekovkina M. V., Kotelnikov E. V., Pestov O. A. Research of lexical approach and machine learning methods for sentiment analysis // Computational Linguistics and Intellectual Technologies. 2013. Vol. 2 (12). P. 48–58.
12. Gupta I., Joshi N. Enhanced Twitter sentiment analysis using hybrid approach and by accounting local contextual semantic // Journal of Intelligent Systems. 2019. Vol. 29 (1). P. 1611–1625.
13. Polanyi L., Zaenen A. Contextual valence shifters // Computing Attitude and Aff ect in Text: Theory and Applications. The Information Retrieval Series. Dordrecht: Springer, 2006. Vol. 20. P. 1‒10.
14. Sebastiani F. Machine learning in automated text categorization // ACM Computing Surveys. 2002. Vol. 34. P. 1‒47.
15. Sheremetyeva S. O., Babina O. I. On automated creation of gold-standard corpus for multi-aspect sentiment analysis // Proceedings of the of the International Conference “Internet and Modern Society”. Saint-Petersburg: ITMO, 2024 (в печати).
Ключевые слова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
