doi: 10.17586/2226-1494-2022-22-2-308-316


УДК 004.021

Создание корпуса иракского арабского диалекта в Твиттере для анализа настроений

Хассун Аль-Джавад М., Альхарби Х., Альмухтар А., Алнавас А.


Читать статью полностью 
Язык статьи - английский

Ссылка для цитирования:
Хассун Аль-Джавад М.М., Альхарби Х., Альмухтар А.Ф., Алнавас А.А. Создание корпуса иракского арабского диалекта в Твиттере для анализа настроений // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22, № 2. С. 308–316 (на англ. яз.). doi:10.17586/2226-1494-2022-22-2-308-316


Аннотация
За последние годы количество пользователей Twitter в Ираке значительно увеличилось. Крупные события и политическая обстановка в стране оказывают значительное влияние на информацию в Twitter и затрагивают сообщения иракских пользователей. Создание корпуса иракских арабских диалектов Corpus of Iraqi Arabic Dialect (CIAD) имеет решающее значение для анализа настроений и изучения такой информации. Представлено исследование CIAD, который был разработан и описан другими исследователями. Корпус проверен с использованием восьми различных комбинаций четырех подходов к выбору признаков и двух версий алгоритма метода опорных векторов. Рассчитаны различные показатели эффективности. Полученная точность составила 78 %, что указывает на многообещающее

Ключевые слова: анализ настроений, интеллектуальный анализ данных, метод опорных векторов, поведение пользователей, интеллектуальный анализ социальных сетей

Список литературы
  1. Stone M.L. et al. BIg data for Media // Reuters Institute for the Study of Journalism. 2014. November.
  2. Badaro G., Baly R., Hajj H., El-Hajj W., Shaban K.B., Habash N., Al-Sallab A., Hamdi A.A survey of opinion mining in Arabic: A comprehensive system perspective covering challenges and advances in tools, resources, models, applications, and visualizations // ACM Transactions on Asian and Low-Resource Language Information Processing. 2019. V. 18.N 3.P. 27. https://doi.org/10.1145/3295662
  3. Zaidan O.F., Callison-Burch C. Arabic dialect identification // Computational Linguistics.2014. V. 40.N 1. P. 171–202.https://doi.org/10.1162/COLI_a_00169
  4. Habash N.Y. Introduction to Arabic natural language processing // Synthesis Lectures on Human Language Technologies. 2010. V. 3.N 1.https://doi.org/10.2200/S00277ED1V01Y201008HLT010
  5. Alnawas A., AriciN. The corpus based approach to sentiment analysis in modern standard Arabic and Arabic dialects: A literature review // Journal of Polytechnic-Politeknik Dergisi. 2018.V. 21. N 2. P. 461–470. https://doi.org/10.2339/politeknik.403975
  6. Alshutayri A., Atwell E. Classifying Arabic dialect text in the Social Media Arabic Dialect Corpus (SMADC) // Proc.of the 3rd Workshop on Arabic Corpus Linguistics. 2019. P. 51–59.
  7. Abo M.E.M., Raj R.G., Qazi A. A review on Arabic sentiment analysis: State-of-The-Art, taxonomy and open research challenges // IEEE Access. 2019. V. 7.P. 162008–162024. https://doi.org/10.1109/ACCESS.2019.2951530
  8. Kumar A., Jaiswal A. Systematic literature review of sentiment analysis on Twitter using soft computing techniques // Concurrency and Computation: Practice and Experience. 2020. V. 32.N 1.P. e5107. https://doi.org/10.1002/cpe.5107
  9. Cieliebak M., Deriu J., Egger D., Uzdilli F.A Twitter corpus and benchmark resources for German sentiment analysis// Proc. of the 5th International Workshop on Natural Language Processing for Social Media (SocialNLP).2017.P. 45–51. https://doi.org/10.18653/v1/W17-1106
  10. Nabil M., Aly M., Atiya A.F. ASTD: Arabic sentiment tweets dataset // Proc. of the Conference on Empirical Methods in Natural Language Processing (EMNLP). 2015.P. 2515–2519. https://doi.org/10.18653/v1/D15-1299
  11. Alahmary R.M., Al-Dossari H.Z., Emam A.Z. Sentiment analysis of Saudi dialect using deep learning techniques // Proc. of the 18th International Conference on Electronics, Information, and Communication (ICEIC). 2019.P. 8706408. https://doi.org/10.23919/ELINFOCOM.2019.8706408
  12. Alnawas A., Arici N. Sentiment analysis of Iraqi Arabic dialect on Facebook based on distributed representations of documents // ACM Transactions on Asian and Low-Resource Language Information Processing. 2019. V. 18.N 3.P. a20. https://doi.org/10.1145/3278605
  13. Kwaik K.A., Saad M., Chatzikyriakidis S., Dobnik S.Shami: A corpus of levantine Arabic dialects // Proc. of the 11th International Conference on Language Resources and Evaluation. (LREC-2018). 2019.P. 3645–3652.
  14. Oussous A., Lahcen A.A., Belfkih S. Impact of text pre-processing and ensemble learning on Arabic sentiment analysis // ACM International Conference Proceeding Series. 2019. V. Part F148154.P. 65. https://doi.org/10.1145/3320326.3320399
  15. El Abdouli A., Hassouni L., Anoun H. Sentiment analysis of moroccan tweets using naive bayes algorithm // International Journal of Computer Science and Information Security. 2017. V. 15.N 12.P. 191–200.
  16. Bouazizi M., Ohtsuki T. Sentiment analysis: From binary to multi-class classification: A pattern-based approach for multi-class sentiment analysis in Twitter // Proc. of the IEEE International Conference on Communications(ICC). 2016.P. 7511392. https://doi.org/10.1109/ICC.2016.7511392
  17. Altamimi M., Alruwaili O., Teahan W.J. BTAC: A twitter corpus for Arabic dialect identification // Proc. of the 6th Conference on Computer-Mediated Communication (CMC) and Social Media Corpora (CMC-corpora 2018). 2018. P. 5.
  18. Al-Yasiri E.K., Al-Azawei A. Improving Arabic sentiment analysis on social media: A comparative study on applying different pre-processing techniques // Compusoft. 2019. V. 8.N 6.P. 3150–3157.
  19. Platt J.C. Sequential Minimal Optimization: A fast algorithm for training support vector machines // CiteSeerX. 1998. V. 10.N 1.43. P. 4376.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика