Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Сентимент-аналіз на основі лексикону× | Сентимент-аналіз× | |
|---|---|---|
| Галузь | Інтелектуальний аналіз тексту | Інтелектуальний аналіз тексту |
| Родина | Process / pipeline | Process / pipeline |
| Рік появи | — | — |
| Автор методу | — | — |
| Тип≠ | Lexicon-based NLP sentiment-scoring task | NLP text-classification task |
| Основоположне джерело≠ | Nielsen, F.Å. (2011). A New ANEW: Evaluation of a Word List for Sentiment Analysis in Microblogs. Proceedings of the ESWC Workshop on 'Making Sense of Microposts'. link ↗ | Pang, B. & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135. DOI ↗ |
| Інші назви | dictionary-based sentiment analysis, rule-based sentiment scoring, Sözlük Tabanlı Duygu Analizi | opinion mining, polarity detection, duygu analizi |
| Пов'язані | 3 | 3 |
| Підсумок≠ | Lexicon-based sentiment analysis computes sentiment at the word level using prebuilt sentiment dictionaries such as AFINN (Nielsen, 2011), SentiWordNet, VADER (Hutto & Gilbert, 2014), and the NRC Emotion Lexicon. It scores text by looking words up in a dictionary of charged terms, so it requires no labelled training data. | Sentiment analysis, also called opinion mining, is a natural-language-processing task that detects the emotional tone of text — typically classifying it as positive, negative, or neutral. It turns unstructured opinion text into structured, quantifiable polarity signals using one of three families of approaches: sentiment lexicons, trained machine-learning classifiers, or pretrained transformer models. |
| ScholarGateНабір даних ↗ |
|
|