Virtual Communication and Social Networks Virtual Communication and Social Networks Виртуальная коммуникация и социальные сети 2782-4799 2782-4802 64800 10.21603/2782-4799-2023-2-3-116-123 Междисциплинарные исследования языка Interdisciplinary Linguistics Междисциплинарные исследования языка Sentiment Analysis: Linguistic Potential of Preprocessing Regimentation Сентимент-анализ: лингвистический потенциал регламентации предобработки https://orcid.org/0000-0001-8469-8431 Баркович Александр Аркадьевич Barkovich Aleksandr Arkad'evich info@mslu.by

доктор филологических наук;

doctor of philological sciences;

 Белорусский государственный университет Минск Беларусь Belarusian State University Minsk Belarus Минский государственный лингвистический университет Минск Беларусь Minsk State Linguistic University Minsk Belarus 02 06 2023 02 06 2023 2 3 116 123 03 04 2023 28 04 2023 https://jsocnet.ru/en/nauka/article/64800/view

Рассматривается специфика регламентации сентимент-анализа как актуального направления автоматизированной обработки естественного языка. Цель – охарактеризовать лингвистический потенциал регламентации предобработки языкового материала. Связанная с этим деятельность характеризуется значимыми достижениями практического характера, однако ее теоретическое обоснование недостаточно упорядоченно и дискуссионно. Несмотря на динамичное развитие множества направлений сферы информационных технологий, принципиальные основы такой деятельности по-прежнему тесно коррелируют с лингвистической системой знаний. Практически безальтернативен методологический приоритет прикладной традиции языкознания с учетом интердисциплинарной специфики сферы современной коммуникации. Комплексный характер исследования во многом обеспечен разносторонним инструментарием компьютерной лингвистики. Сложность проблемной области обуславливает ориентацию метаописания на алгоритмизацию и моделирование процедуры оценки тональности текста. Результативность процедуры существенно детерминирована ее оптимальной конфигурацией. Обоснованной представляется регламентация процедуры предобработки материала с последовательным выявлением метаструктуры, определением референтности, уровневой ориентацией и выбором модели анализа. Описаны основные шаги алгоритма предобработки и их особенности, выявлена и охарактеризована специфика соответствующей практики. Исследование будет способствовать продуктивной теоретической рефлексии и оптимизации практической деятельности по оценке тональности текста, или сентимент-анализу. В широком контексте целесообразное раскрытие лингвистического потенциала актуально для всей сферы автоматизированной обработки естественного языка.

The article deals with the sentiment analysis regimentation as a relevant direction in automated natural language processing and its linguistic potential. Despite its impressive practical significance, the sentiment analysis still lacks reliable theoretical foundation. Although information technologies develop very fast, their fundamental foundations correlate with the linguistic system of knowledge. In fact, the methodological priority of the applied linguistics has no alternative with regard to the interdisciplinary specificity of the modern communication. The complex nature of this research made the authors appeal to the computer linguistics in order to provide a meta-description on the algorithmization and modeling of sentiment evaluation. The effectiveness of the relevant practice was conditioned by the optimal configuration of the procedure and an appropriate material evaluation. The preprocessing included identifying the meta-structure, defining its referentiality and level orientation, and choosing the analysis model. The authors described these main steps of the preprocessing algorithm, as well as the relevant practice. The study contributes to productive theoretical optimization of text sentiment analysis. In a broad context, the expedient disclosure of linguistic potential is relevant to the whole sphere of automated natural language processing.

 сентимент-анализ автоматизированная обработка естественный язык лингвистическая специфика регламентация предобработка модель алгоритм sentiment analysis automated processing natural language linguistic specificity regimentation preprocessing model algorithm

Баркович А. А. Интернет-дискурс: метаязыковые модели практики. Вестник Волгоградского государственного университета. Серия 2, Языкознание. 2015. № 5. С. 171-183. https://doi.org/10.15688/jvolsu2.2015.5.21 Barkovich A. A. Internet discourse: metalanguage models of practice. Vestnik Volgogradskogo gosudarstvennogo universiteta. Seriya 2. Yazykoznanie, 2015, (5): 171-183. (In Russ.)] https://doi.org/10.15688/jvolsu2.2015.5.21 Большакова Е. И., Клышинский Э. С., Ландэ Д. В., Носков А. А., Пескова О. В., Ягунова Е. В. Автоматическая обработка текстов на естественном языке и компьютерная лингвистика. М.: МИЭМ, 2011. 272 с. https://elibrary.ru/tdhfwd Bolshakova E. I., Klyshinsky E. S., Lande D. V., Noskov A. A., Peskova O. V., Yagunova E. V. Automatic processing of natural language texts and computational linguistics. Moscow: MIEM, 2011. 272. (In Russ.)] https://elibrary.ru/tdhfwd Котельников Е. В., Разова Е. В., Котельникова А. В., Вычегжанин С. В. Современные словари оценочной лексики для анализа мнений на русском и английском языках (аналитический обзор). Научно-техническая информация. Сер. 2. Информационные процессы и системы. 2020. № 12. С. 16-33. https://doi.org/10.36535/0548-0027-2020-12-3 Kotelnikov E. V., Razova E. V., Kotelnikova A. V., Vychegzhanin S. V. Modern sentiment lexicons for opinion mining in English and Russian (analytical survey). Nauchno-tekhnicheskaya informatsiya. Ser. 2. Informatsionnye protsessy i sistemy, 2020, (12): 16-33. (In Russ.)] https://doi.org/10.36535/0548-0027-2020-12-3 Кулагин Д. И. Открытый тональный словарь русского языка КартаСловСент. Компьютерная лингвистика и интеллектуальные технологии: ежегодная Междунар. конф. «Диалог». (Москва, 16-19 июня 2021 г.) М.: РГГУ, 2021. Вып. 20. С. 1106-1119. https://doi.org/10.28995/2075-7182-2021-20-1106-1119 Kulagin D. I. Publicly available sentiment dictionary for the Russian language KartaSlovSent. Computational linguistics and intellectual technologies: Annual Intern. Conf. "Dialogue", Moscow, 16-19 Jun 2021. Moscow: RSUH, 2021, iss. 20, 1106-1119. (In Russ.)] https://doi.org/10.28995/2075-7182-2021-20-1106-1119 Майорова Е. В. О сентимент-анализе и перспективах его применения. Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 6: Языкознание. Реферативный журнал. 2020. № 4. С. 78-87. https://www.elibrary.ru/tagobd Mayorova E. V. On sentiment analysis and prospects for its application. Sotsialnye i gumanitarnye nauki. Otechestvennaya i zarubezhnaya literatura. Seriya 6: Yazykoznanie. Referativnyy zhurnal, 2020, (4): 78-87. (In Russ.)] https://www.elibrary.ru/tagobd Пазельская А. Г., Соловьев А. Н. Метод определения эмоций в текстах на русском языке. Компьютерная лингвистика и интеллектуальные технологии: ежегодная Междунар. конф. «Диалог». (Бекасово, 25-29 мая 2011 г.) М.: РГГУ, 2011. Вып. 10. С. 510-522. https://www.elibrary.ru/pjsrlj Pazelskaya A. G., Solovyev A. N. A method of sentiment analysis in Russian texts. Computational linguistics and intellectual technologies: Annual Intern. Conf. "Dialogue", Bekasovo, 25-29 May 2011. Moscow: RSUH, 2011, iss. 10, 510-522. (In Russ.)] https://www.elibrary.ru/pjsrlj Полетаева Н. Г. Классификация систем машинного обучения. Вестник Балтийского федерального университета им. И. Канта. Сер.: Физико-математические и технические науки. 2020. № 1. С. 5-22. https://www.elibrary.ru/rchveu Poletaeva N. G. Classification of systems machine learning. Vestnik of Immanuel Kant Baltic Federal University. Series: Physical-mathematical and technical sciences, 2020, (1): 5-22. (In Russ.)] https://www.elibrary.ru/rchveu Семина Т. А. Анализ тональности текста: современные подходы и существующие проблемы. Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 6: Языкознание. Реферативный журнал. 2020. № 4. C. 47-64. https://www.elibrary.ru/icgxzf Semina T. A. Sentiment analysis: modern approaches and existing problems. Sotsialnye i gumanitarnye nauki. Otechestvennaya i zarubezhnaya literatura. Seriya 6: Yazykoznanie. Referativnyy zhurnal, 2020, (4): 47-64. (In Russ.)] https://www.elibrary.ru/icgxzf Харламов А. А., Ермоленко Т. В., Жонин А. А. Моделирование динамики процессов на основе анализа последовательности текстовых выборок. Инженерный вестник Дона. 2013. № 4. URL: http://ivdon.ru/ru/magazine/archive/n4y2013/2047 (accessed 30 Mar 2023). https://www.elibrary.ru/sblkbn Kharlamov A. A., Yermolenko T. V., Zhonin A. A. Processes dynamics modeling on the base of text corpus sequence analysis. Inzhenernyj vestnik Dona, 2013, (4). (In Russ.)] URL: http://ivdon.ru/ru/magazine/archive/n4y2013/2047 (accessed 30 Mar 2023). https://www.elibrary.ru/sblkbn Чернышевич М. В. Классификация тональности мнений для задачи автоматического сентимент-анализа текста. Ученые записки УО «ВГУ им. П. М. Машерова». 2018. Т. 28. С. 136-140. https://www.elibrary.ru/vxagrm Chernyshevich M. V. Opinion classification for automatic sentiment analysis of the text. Scientific notes of the Higher Educational Institution "VSU named after P. M. Masherov", 2018, 28: 136-140. (In Russ.)] https://www.elibrary.ru/vxagrm Araque O., Zhu G., Iglesias C. A. A semantic similarity-based perspective of affect lexicons for sentiment analysis. Knowledge-Based Systems, 2019, (165): 346-359. https://doi.org/10.1016/j.knosys.2018.12.005 Araque O., Zhu G., Iglesias C. A. A semantic similarity-based perspective of affect lexicons for sentiment analysis. Knowledge-Based Systems, 2019, (165): 346-359. https://doi.org/10.1016/j.knosys.2018.12.005 Bancken W., Alfarone D., Davis J. Automatically detecting and rating product aspects from textual customer reviews. Interactions between Data Mining and Natural Language Processing: Proc. 1st Intern. Workshop (DMNLP 2014), Nancy, 15 Sep 2014. CEUR-WS, 2014, 1-16. Bancken W., Alfarone D., Davis J. Automatically detecting and rating product aspects from textual customer reviews. Interactions between Data Mining and Natural Language Processing: Proc. 1st Intern. Workshop (DMNLP 2014), Nancy, 15 Sep 2014. CEUR-WS, 2014, 1-16. Barkovich A. A. Informational linguistics: the new communicational reality. Cambridge: Cambridge Scholars, 2020, 271. https://www.elibrary.ru/sjdauu Barkovich A. A. Informational linguistics: the new communicational reality. Cambridge: Cambridge Scholars, 2020, 271. https://www.elibrary.ru/sjdauu Beigi G., Hu X., Maciejewski R., Liu H. An overview of sentiment analysis in social media and its applications in disaster relief. Sentiment analysis and ontology engineering: an environment of computational intelligence, eds. Pedrycz W., Chen S.-M. Cham: Springer, 2016, 313-340. https://doi.org/10.1007/978-3-319-30319-2_13 Beigi G., Hu X., Maciejewski R., Liu H. An overview of sentiment analysis in social media and its applications in disaster relief. Sentiment analysis and ontology engineering: an environment of computational intelligence, eds. Pedrycz W., Chen S.-M. Cham: Springer, 2016, 313-340. https://doi.org/10.1007/978-3-319-30319-2_13 Bradley M. M., Lang P. J. Affective Norms for English Words (ANEW): instruction manual and affective ratings. Technical Report C-1. The Center for Research in Psychophysiology, University of Florida, 1999, 48. Bradley M. M., Lang P. J. Affective Norms for English Words (ANEW): instruction manual and affective ratings. Technical Report C-1. The Center for Research in Psychophysiology, University of Florida, 1999, 48. Dodds P. S., Clark E. M., Desu S., Frank M. R., Reagan A. J., Williams J. R., Mitchell L., Harris K. D., Kloumann I. M., Bagrow J. P., Megerdoomian K., McMahon M. T., Tivnan B. F., Danforth C. M. Human language reveals a universal positivity bias. PNAS, 2015, 112(8): 2389-2394. https://doi.org/10.1073/pnas.1411678112 Dodds P. S., Clark E. M., Desu S., Frank M. R., Reagan A. J., Williams J. R., Mitchell L., Harris K. D., Kloumann I. M., Bagrow J. P., Megerdoomian K., McMahon M. T., Tivnan B. F., Danforth C. M. Human language reveals a universal positivity bias. PNAS, 2015, 112(8): 2389-2394. https://doi.org/10.1073/pnas.1411678112 Géron A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. 2nd ed. Sebastopol: O'Reilly Media, 2019, 856. Géron A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. 2nd ed. Sebastopol: O'Reilly Media, 2019, 856. Kim S.-M., Hovy E. Extracting opinions, opinion holders, and topics expressed in online news media text. Proceedings of the Workshop on Sentiment and Subjectivity in Text (SST '06), Sidney, 22 Jul 2006. Stroudsburg: ACL, 1-8. http://dx.doi.org/10.3115/1654641.1654642 Kim S.-M., Hovy E. Extracting opinions, opinion holders, and topics expressed in online news media text. Proceedings of the Workshop on Sentiment and Subjectivity in Text (SST '06), Sidney, 22 Jul 2006. Stroudsburg: ACL, 1-8. http://dx.doi.org/10.3115/1654641.1654642 Liu B. Corpus-based approach. Sentiment analysis and opinion mining. San Rafael: Morgan & Claypool, 2012, 95-99. Liu B. Corpus-based approach. Sentiment analysis and opinion mining. San Rafael: Morgan & Claypool, 2012, 95-99. Nasukawa T., Yi J. Sentiment analysis: capturing favorability using natural language processing. Proceedings of the 2nd International Conference on Knowledge Capture (K-CAP'03), Sanibel, 23-25 Oct 2003. NY: ACM, 2003, 70-77. https://doi.org/10.1145/945645.945658 Nasukawa T., Yi J. Sentiment analysis: capturing favorability using natural language processing. Proceedings of the 2nd International Conference on Knowledge Capture (K-CAP'03), Sanibel, 23-25 Oct 2003. NY: ACM, 2003, 70-77. https://doi.org/10.1145/945645.945658 Pang B., Lee L. Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2008, 2(1-2): 1-135. http://dx.doi.org/10.1561/1500000011 Pang B., Lee L. Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2008, 2(1-2): 1-135. http://dx.doi.org/10.1561/1500000011 Paramonov I. V., Poletaev A. Yu. Adaptation of semantic rule-based sentiment analysis approach for Russian language. Proceedings of the 30th Conference of Open Innovations Association FRUCT, Oulu, 27-29 Oct 2021. IEEE, 2021, 155-164. http://dx.doi.org/10.23919/FRUCT53335.2021.9599992 Paramonov I. V., Poletaev A. Yu. Adaptation of semantic rule-based sentiment analysis approach for Russian language. Proceedings of the 30th Conference of Open Innovations Association FRUCT, Oulu, 27-29 Oct 2021. IEEE, 2021, 155-164. http://dx.doi.org/10.23919/FRUCT53335.2021.9599992 Poria S., Hazarika D., Majumder N., Mihalcea R. Beneath the tip of the iceberg: current challenges and new directions in sentiment analysis research. IEEE Transactions on Affective Computing, 2020, 14(1): 108-132. https://doi.org/10.1109/TAFFC.2020.3038167 Poria S., Hazarika D., Majumder N., Mihalcea R. Beneath the tip of the iceberg: current challenges and new directions in sentiment analysis research. IEEE Transactions on Affective Computing, 2020, 14(1): 108-132. https://doi.org/10.1109/TAFFC.2020.3038167 Rana M. R. R., Nawaz A., Iqbal J. A survey on sentiment classification algorithms, challenges and applications. Acta Universitatis Sapientiae, Informatica, 2018, 10(1): 58-72. http://dx.doi.org/10.2478/ausi-2018-0004 Rana M. R. R., Nawaz A., Iqbal J. A survey on sentiment classification algorithms, challenges and applications. Acta Universitatis Sapientiae, Informatica, 2018, 10(1): 58-72. http://dx.doi.org/10.2478/ausi-2018-0004 Reagan A. J., Danforth C. M., Tivnan B., Williams J. R., Dodds P. S. Sentiment analysis methods for understanding large-scale texts: a case for using continuum-scored words and word shift graphs. EPJ Data Science, 2017, 6. https://doi.org/10.1140/epjds/s13688-017-0121-9 Reagan A. J., Danforth C. M., Tivnan B., Williams J. R., Dodds P. S. Sentiment analysis methods for understanding large-scale texts: a case for using continuum-scored words and word shift graphs. EPJ Data Science, 2017, 6. https://doi.org/10.1140/epjds/s13688-017-0121-9 Taboada M., Brooke J., Tofiloski M., Voll K., Stede M. Lexicon-based methods for sentiment analysis. Computational linguistics, 2011, 37(2): 267-307. http://dx.doi.org/10.1162/COLI_a_00049 Taboada M., Brooke J., Tofiloski M., Voll K., Stede M. Lexicon-based methods for sentiment analysis. Computational linguistics, 2011, 37(2): 267-307. http://dx.doi.org/10.1162/COLI_a_00049 Wilks Y., Bien J. Beliefs, points of view, and multiple environments. Cognitive science, 1983, 7(2): 95-119. https://doi.org/10.1207/s15516709cog0702_1 Wilks Y., Bien J. Beliefs, points of view, and multiple environments. Cognitive science, 1983, 7(2): 95-119. https://doi.org/10.1207/s15516709cog0702_1