대용어해소를 통한 독일어 텍스트 논조분석 방안Anaphernresolution für die Sentimentanalyse deutscher Texte
- Other Titles
- Anaphernresolution für die Sentimentanalyse deutscher Texte
- Authors
- 홍문표[홍문표]
- Issue Date
- 2016
- Publisher
- 한국독일언어문학회
- Keywords
- Anaphernresolution; Sentimentanalyse; maschinelles Lernen; Diskursanalyse; Data Mining; 대용어해소; 논조분석; 기계학습; 담화분석; 데이터 마이닝
- Citation
- 독일언어문학, no.73, pp.147 - 166
- Indexed
- KCI
- Journal Title
- 독일언어문학
- Number
- 73
- Start Page
- 147
- End Page
- 166
- URI
- https://scholarworks.bwise.kr/skku/handle/2021.sw.skku/39389
- DOI
- 10.30947/zfdsl.2016..73.147
- ISSN
- 1229-0106
- Abstract
- Das Ziel der Sentimentanalyse liegt darin, die Stimmungen des Sprechers oder des Autors eines Textes automatisch zu bestimmen. Die Stimmungen werden normalerweise im Text durch die Verwendung bestimmter Wörter übertragen. Aber die konnotative Bedeutung eines Wortes wird sowohl vom syntaktischen als auch vom semantischen Kontext beeinflusst. Um dies in der Sentimentanalyse zu berücksichtigen, werden verschiedene Ansätze vorgeschlagen, u.a., die von Wiebe et al. (2005) und von Joshi & Pennstein-Rose (2009). In diesen Arbeiten wurden hauptsächlich die Methoden für die Berücksichtigung der syntaktischen Struktur in einer Sentimentanalyse vorgeschlagen.
In der vorliegenden Arbeit wurde ein Ansatz für die sogenannte Anaphernresolution vorgestellt. Anaphernresolution ist ein sehr wichtiges Thema in der Sprachverarbeitung und stellt auch ein sehr schwieriges Problem für die Sentimentanalyse dar. Die meisten bisherigen Ansätze für Anaphernresolution sind regelbasiert und deshalb deterministisch. Dies bedeutet, dass wenn ein Kandidatnomen alle linguistischen Constraints für die Resolution eines Pronomens erfüllt, es automatisch für das Antezedens eines Pronomens gehalten wird. Aber wenn gleichzeitig mehrere Kandidaten die Constraints erfüllen, fällt in diesem Ansatz die Entscheidung sehr schwer.
Um das zu vermeiden, wird hier ein anderer Ansatz, der sich auf maschinelles Lernen stützt, vorgeschlagen. Für das maschinelle Lernen werden sechs Merkmale verwendet. Das Experiment zeigt, dass der vorgeschlagene Ansatz für die Anaphernresolution 90.38% Genauigkeit aufweist. Versucht man die Sentimentanalyse mit Anaphernresolution zu verbinden, weist er 68.86% Genauigkeit der Sentimentanalyse auf.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - Liberal Arts > Department of German Language and Literature > 1. Journal Articles
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.