感情分析

感情分析（オピニオンマイニングまたは感情AIとも呼ばれる）は、自然言語処理、テキスト分析、計算言語学、生体認証を使用して、感情状態や主観的な情報を体系的に識別、抽出、定量化、調査することです。感情分析は、レビューやアンケート回答などの顧客の声の資料、オンラインメディアやソーシャルメディア、マーケティングから顧客サービス、臨床医学まで幅広い用途のヘルスケア資料に広く適用されています。RoBERTaなどの深層言語モデルの登場により、著者が意見や感情をあまり明示的に表現しないニューステキストなど、より困難なデータドメインも分析できるようになりました。^[1]

• コロネットは、オールデイクルーザーの中でも最高のラインを誇ります。
• バートラムは深いV字型の船体を持ち、海上を楽々と航行します。
• フロリダの 1980 年代のパステルカラーのデイクルーザーは醜い。
• 私は古いキャビンクルーザーが嫌いです。

• キャビンクルーザーは嫌いではないです。（否定処理）
• 水上バイクが嫌いなのは、私の趣味ではありません。（否定、語順反転）
• 時々、私はRIB が本当に嫌いになります。(副詞は感情を修飾します)
• こんな天気なら本当に出かけたいですね！（皮肉かもしれません）
• クリスクラフトはライムストーンよりも格好良いです。（ブランド名が2つあるので、態度の対象を特定するのは困難です）
• クリス クラフトはライムストーンよりも見栄えが良いですが、ライムストーンは耐航性と信頼性を備えています。(2 つの態度、2 つのブランド名)
• この映画は驚きに満ちており、不安を掻き立てる展開がたくさんある。（特定の分野では否定的な言葉が肯定的な意味で使われる）
• 彼らの贅沢なデザートメニューをぜひ見てください。（最近、特定の分野で態度を表す言葉の極性が変化しています）
• 私は自分の携帯電話を気に入っていますが、同僚には勧めません。（限定的な肯定的な感情、分類が難しい）
• 来週のライブは koide9 です! (「Quoi de neuf?」はフランス語で「何が新しい?」という意味です。新しく作られた用語は、非常に態度的な意味を持ちますが、極性が不安定で、既知の語彙にないことが多いです。)

感情分析の基本的なタスクは、ドキュメント、文、または特徴/側面レベルで特定のテキストの極性を分類することです。つまり、ドキュメント、文、またはエンティティの特徴/側面で表現された意見が肯定的、否定的、または中立的であるかどうかを分類します。高度な「極性を超えた」感情分類では、たとえば、楽しみ、怒り、嫌悪、悲しみ、恐怖、驚きなどの感情状態に注目します。^[2]

感情分析の先駆けとしては、テキストのパターンを定量化するためのヒントを提供した『ジェネラル・インクワイアラー』^[3]や、言語行動の分析に基づいて人の心理状態を調べた心理学的研究^[4]などがある。

その後、ボルカニとフォーゲルの特許^[5]に記載されている方法は、特に感情に注目し、異なる感情スケールに関してテキスト内の個々の単語やフレーズを識別しました。彼らの研究に基づいた現在のシステムは、EffectCheckと呼ばれ、各スケールで喚起された感情のレベルを増減するために使用できる同義語を提示します。

その後の多くの取り組みはそれほど洗練されておらず、肯定的なものから否定的なものまでの感情の単なる極性の見方を使用していました。たとえば、Turney ^[6]と Pang ^{[7]は、それぞれ}製品レビューと映画レビューの極性を検出するために異なる方法を適用しました。この作業は文書レベルのものです。文書の極性を多元スケールで分類することもできます。これは、Pang ^[8]と Snyder ^[9]などが試みました。Pang と Lee ^{[8] は、}映画レビューを肯定的または否定的に分類するという基本的なタスクを拡張して、3 つ星または 4 つ星のスケールで星評価を予測し、Snyder ^[9]はレストランのレビューを詳細に分析して、特定のレストランのさまざまな側面、たとえば料理や雰囲気 (5 つ星スケール) の評価を予測しました。

学習、語彙、知識ベースなどのさまざまなアプローチを統合するための最初のステップは、2004年のAAAI春季シンポジウムで踏み出されました。このシンポジウムでは、言語学者、コンピュータ科学者、その他の関心のある研究者が初めて関心を一致させ、テキストの感情、魅力、主観性、感情に関する体系的な計算研究のための共通のタスクとベンチマークデータセットを提案しました。^[10]

ほとんどの統計的分類法では、中立テキストはバイナリ分類器の境界付近にあるという仮定のもとで中立クラスは無視されますが、すべての極性問題と同様に、3つのカテゴリを識別する必要があると示唆する研究者もいます。さらに、最大エントロピー^[11]やSVM ^[12]などの特定の分類器は、中立クラスの導入によってメリットが得られ、分類の全体的な精度が向上することが証明されています。中立クラスを操作する方法は、原理的には2つあります。アルゴリズムは、まず中立言語を識別し、それをフィルタリングしてから残りを肯定的および否定的な感情の観点から評価するか、1つのステップで3方向分類を構築します。^[13]この2番目のアプローチでは、多くの場合、すべてのカテゴリにわたって確率分布を推定します (例: NLTKによって実装されるナイーブベイズ分類器)。中立クラスを使用するかどうか、またどのように使用するかは、データの性質によって異なります。データが中立、否定的、肯定的な言語に明確に分類されている場合は、中立的な言語を除外し、肯定的な感情と否定的な感情の極性に焦点を当てることが理にかなっています。対照的に、データがほとんど中立的で、肯定的感情と否定的感情へのわずかな偏りがある場合、この戦略では 2 つの極を明確に区別することが難しくなります。

感情を決定する別の方法としては、スケーリング システムを使用する方法があります。この方法では、一般的に否定的、中立的、または肯定的な感情を持つと関連付けられる単語に、-10 から +10 のスケール (最も否定的から最も肯定的まで) または単純に 0 から +4 などの肯定的な上限まで、関連付けられた番号が与えられます。これにより、特定の用語の感情をその環境 (通常は文のレベル) に応じて調整することができます。構造化されていないテキストを自然言語処理を使用して分析すると、指定された環境内の各概念に、感情を表す単語が概念と関連するスコアに関係する方法に基づいてスコアが与えられます。^{[14] [15]}これにより、概念の感情値を、概念を取り巻く可能性のある変更に応じて調整できるため、感情をより高度に理解できるようになります。たとえば、概念によって表現される感情を強めたり、緩和したり、否定したりする単語は、そのスコアに影響を与える可能性があります。あるいは、テキスト全体の極性と強度ではなく、テキスト内の感情を決定することが目的である場合は、テキストに肯定的および否定的な感情の強度スコアを与えることができます。^[16]

感情分析には、側面ベースの感情分析、グレーディング感情分析（肯定的、否定的、中立的）、多言語感情分析、感情の検出など、さまざまな種類があります。

このタスクは、一般的に、与えられたテキスト（通常は文）を客観的または主観的な2つのクラスのいずれかに分類することと定義されています。 ^[17]この問題は、極性分類よりも難しい場合があります。^[18]単語や句の主観性はコンテキストに依存する可能性があり、客観的な文書には主観的な文（人々の意見を引用したニュース記事など）が含まれる場合があります。さらに、Suが述べたように、^[19]結果はテキストに注釈を付けるときに使用する主観性の定義に大きく依存します。ただし、Pang ^{[20] は}、文書の極性を分類する前に客観的な文を削除すると、パフォーマンスが向上することを示しました。

主観的および客観的な識別、感情分析の新たなサブタスク。構文、意味的特徴、機械学習の知識を使用して、文章または文書に事実または意見が含まれているかどうかを識別します。事実と意見を認識するという認識は最近のものではなく、おそらく 1979 年にイェール大学の Carbonell によって初めて発表されました。^[明確化]

客観的という用語は、事実情報を伴う事件を指します。^[21]

• 目的文の例: 「アメリカ合衆国大統領に選出されるには、候補者は少なくとも 35 歳以上でなければなりません。」

主観的という用語は、事件には個人的な意見、判断、予測など、さまざまな形の非事実情報が含まれており、「私的状態」とも呼ばれます。^[22]下の例では、「私たちアメリカ人」という私的状態が反映されています。さらに、意見によってコメントされる対象は、Liu (2010) で述べられているように、有形の製品から無形の話題まで、さまざまな形をとることができます。^[23]さらに、Liu (2010) では、1)肯定的な意見、2)中立的な意見、3)否定的な意見の 3 種類の態度が観察されました。^[23]

• 主観的な文の例: 「私たちアメリカ人は、成熟していて賢明な決断ができる大統領を選出する必要がある。」

この分析は分類問題である。^[24]

各クラスの単語または句の指標のコレクションは、注釈なしテキストで望ましいパターンを見つけるために定義されています。主観的な表現については、別の単語リストが作成されています。単語または句の主観的な指標のリストは、Riloff et al. (2003) に記載されているように、言語学および自然言語処理分野の複数の研究者によって開発されています。^[25]特定の表現を測定するには、抽出ルールの辞書を作成する必要があります。長年にわたり、主観的検出では、特徴抽出は、手作業による特徴のキュレーションから自動特徴学習へと進歩しました。現時点では、自動学習方法は、教師あり機械学習と教師なし機械学習にさらに分けることができます。機械学習プロセスによる注釈付きテキストと注釈なしテキストのパターン抽出は、学術研究者によって広範囲に研究されてきました。

しかし、研究者たちは、表現の固定されたルールセットを開発する上でいくつかの課題を認識しました。ルール開発の課題の多くは、テキスト情報の性質に起因しています。複数の研究者によって、1) 比喩的な表現、2) 文章の矛盾、3) 文脈依存、4) 使用頻度の少ない表現語、5) 時間依存、および 6) 増え続ける量という 6 つの課題が認識されています。

1. 比喩的表現。テキストに比喩的表現が含まれていると、抽出のパフォーマンスに影響を与える可能性があります。^[26]さらに、比喩にはさまざまな形があり、それが検出の増加に寄与している可能性があります。
2. 文章の不一致。インターネットから取得したテキストの場合、対象テキスト データの文章スタイルの不一致には、明確な文章のジャンルとスタイルが含まれます。
3. 文脈依存。前後の文の主観性や客観性に応じて分類が変わることがある。^[24]
4. 時間依存の属性。このタスクは、一部のテキスト データの時間依存の属性によって困難になります。研究者のグループがニュースの事実を確認したい場合、ニュースが古くなるよりも長い時間、相互検証が必要になります。
5. 使用頻度の少ないキューワード。
6. 増え続けるデータ量。このタスクは、膨大な量のテキスト データによっても困難に直面しています。テキスト データは増え続けるため、研究者が時間内にタスクを完了するのは非常に困難です。

これまでの研究では、主に文書レベルの分類に焦点を当ててきました。しかし、文書レベルの分類は、記事にさまざまな表現が含まれる可能性があるため、精度が低くなります。調査の証拠によると、客観的な表現が支配的であると予想される一連のニュース記事が示唆されていますが、結果は、主観的な表現が40％以上を占めていることを示しています。^[21]

これらの課題を克服するために、研究者は分類器の有効性は学習者のパターンの精度に依存すると結論付けています。そして、大量の注釈付きトレーニング データを入力した学習者は、それほど包括的ではない主観的特徴でトレーニングされた学習者よりも優れたパフォーマンスを発揮しました。ただし、この種の作業を実行する際の主な障害の 1 つは、注釈付き文章の大規模なデータセットを手動で生成することです。手動注釈方法は、次の 3 つの理由から自動学習よりも好まれていません。

1. 理解のばらつき。手動で注釈を付ける作業では、言語の曖昧さにより、注釈者間で 1 つのインスタンスが主観的であるか客観的であるかの意見の相違が生じる可能性があります。
2. 人為的エラー。手動で注釈を付ける作業は細心の注意を要する作業であり、完了するには強い集中力が必要です。
3. 時間がかかる。手作業による注釈作業は大変な作業です。Riloff (1996) は、160 のテキストを注釈者 1 人で仕上げるのに 8 時間かかることを示しています。^[27]

これらすべての理由は、主観的および客観的な分類の効率と有効性に影響を与える可能性があります。したがって、注釈なしのテキスト データから言語パターンを学習するための 2 つのブートストラップ手法が設計されました。どちらの手法も、少数のシード ワードと注釈なしのテキスト データから開始します。

1. 1999年のRiloffとJonesによるメタブートストラッピング。^[28] レベル1: 事前に定義されたルールと、各パターンに含まれるシード単語の数に基づいて抽出パターンを生成します。レベル2: 上位5つの単語がマークされ、辞書に追加されます。これを繰り返します。
2. Basilisk ( Bootstrapping A proach to Semantic Lexicon I nduction using S emantic Knowledge ) by Thelen and Riloff. ^[29] ステップ 1: 抽出パターンを生成します。ステップ 2: 最適なパターンをパターン プールから候補単語プールに移動します。ステップ 3: 上位 10 個の単語がマークされ、辞書に追加されます。これを繰り返します。

全体として、これらのアルゴリズムは、主観的および客観的なタスクにおける自動パターン認識と抽出の必要性を浮き彫りにしています。

主観的および客観的な分類器は、自然言語処理のさまざまなアプリケーションを強化することができます。分類器の主な利点の1つは、さまざまな業界でデータ駆動型の意思決定プロセスの実践を普及させたことです。Liuによると、主観的および客観的な識別のアプリケーションは、ビジネス、広告、スポーツ、社会科学で実装されています。^[30]

• オンラインレビュー分類: ビジネス業界では、分類ツールは企業が製品に関するフィードバックやレビューの根拠をより深く理解するのに役立ちます。
• 実用的な洞察: 従来のNLPでは解析が困難だった感情、皮肉、口調、その他のニュアンス（「肯定的」、「否定的」、「中立的」以外）が、消費者からのフィードバックからより正確に解明されます。これにより、非構造化レビューデータは、顧客サービス、製品/サービスの改善、業界固有のトレンドの特定、競合分析の面でますます実用的なものになります。^[31]
• 株価予測：金融業界では、分類器はソーシャルメディアからの補助情報やインターネットからのその他のテキスト情報を処理することで予測モデルを支援します。Dongらによる日本の株価に関する以前の研究では、主観的および客観的なモジュールを備えたモデルは、この部分を持たないモデルよりも優れたパフォーマンスを発揮する可能性があることが示されています。^[32]
• ソーシャルメディア分析。
• 学生のフィードバック分類。^[33]
• 文書の要約: 分類器は、特定のエンティティによって作成されたターゲット指定のコメントや意見を抽出できます。
• 複雑な質問への回答。分類器は、言語の主語や目的、焦点を絞ったターゲットを分類することで、複雑な質問を分析することができます。Yu et al.(2003)の研究では、研究者は意見記事を識別する文と文書レベルのクラスターを開発しました。^[34]
• ドメイン固有のアプリケーション。
• 電子メール分析: 主観的および客観的な分類器は、対象の単語を使用して言語パターンをトレースすることでスパムを検出します。

これは、携帯電話、デジタルカメラ、銀行などのエンティティのさまざまな機能や側面について表明された意見や感情を判断することを指します。^[35]機能または側面は、エンティティの属性またはコンポーネントであり、たとえば、携帯電話の画面、レストランのサービス、カメラの画質などです。 機能ベースの感情分析の利点は、関心のあるオブジェクトに関するニュアンスを捉えることができることです。 異なる機能は異なる感情応答を生成する可能性があります。たとえば、ホテルは便利な場所にあるかもしれませんが、料理は平凡です。^[36]この問題には、関連するエンティティを識別し、その機能/側面を抽出し、各機能/側面で表明された意見が肯定的、否定的、または中立的であるかどうかを判断するなど、いくつかのサブ問題が含まれます。^{[37]機能の自動識別は、構文法、}トピックモデリング、^{[38] [39]}またはディープラーニングを使用して実行できます。^{[40] [41]}このレベルの感情分析に関するより詳細な議論は、Liu の研究にあります。^[23]

感情や感情は本質的に主観的なものである。文書、文、または特徴/側面レベルで特定のテキストに表現される感情/感情の程度、つまり文書、文、またはエンティティの意見で表現される強度の程度は、ケースごとに異なる。^[42]しかし、感情と感情のみを予測しても、必ずしも完全な情報が伝わるわけではない。感情と感情の程度またはレベルは、単一のクラス（「良い」と「素晴らしい」など）内の正確な感情を理解する上で重要な役割を果たすことが多い。いくつかの方法では、得られた出力を組み合わせ、畳み込みニューラルネットワーク、[ ^{44 ] 長短期}記憶ネットワーク、ゲート付き回帰ユニットに基づくディープラーニングモデルを使用して、感情と感情の強度を予測するためにスタックアンサンブル法^[43]を活用している。^[45]

感情分析に対する既存のアプローチは、知識ベース手法、統計的手法、ハイブリッド手法の 3 つの主なカテゴリに分類できます。^[46]知識ベース手法では、幸せ、悲しい、怖い、退屈などの明確な感情語の存在に基づいて、テキストを感情カテゴリに分類します。^[47]一部の知識ベースでは、明らかな感情語をリストするだけでなく、任意の単語に特定の感情に対する可能性のある「親和性」を割り当てます。^[48]統計的手法では、潜在的意味解析、サポートベクターマシン、「バッグオブワード」、意味的方向付けのための「ポイントワイズ相互情報量」、 ^[6]意味空間モデルまたは単語埋め込みモデル、^[49]ディープラーニングなどの機械学習の要素を活用します。より洗練された方法では、感情の保持者 (つまり、その感情状態を維持する人) とターゲット (つまり、感情が感じられるエンティティ) を検出しようとします。^[50]文脈から意見を掘り起こし、話者が意見を述べた特徴を得るために、単語の文法関係が利用される。文法的な依存関係は、テキストを深く解析することによって得られる。^{[51]ハイブリッドアプローチは、機械学習と}オントロジーやセマンティックネットワークなどの知識表現の要素の両方を活用して、例えば、関連情報を明示的に伝えないが、関連情報を伝える他の概念と暗黙的にリンクされている概念の分析を通じて、微妙な方法で表現されたセマンティクスを検出する。^[52]

オープンソースソフトウェアツールや、無料および有料の感情分析ツールの範囲は、機械学習、統計、自然言語処理技術を展開して、Webページ、オンラインニュース、インターネットディスカッショングループ、オンラインレビュー、Webブログ、ソーシャルメディアを含む大量のテキストの感情分析を自動化します。^[53]一方、知識ベースシステムは、公開されているリソースを利用して、自然言語の概念に関連付けられている意味的および感情的な情報を抽出します。 このシステムは、感情的な常識的推論を実行するのに役立ちます。^[54]感情分析は、画像やビデオなどの視覚コンテンツに対しても実行できます（マルチモーダル感情分析を参照）。 この方向への最初のアプローチの1つは、視覚コンテンツの形容詞名詞ペア表現を利用するSentiBank ^{[55]です。 さらに、感情分類アプローチの大部分は、文脈、}文法、さらには語順を無視するバッグオブワードモデルに依存しています。単語が長いフレーズの意味をどのように構成しているかに基づいて感情を分析するアプローチはより良い結果を示していますが^[56]、追加の注釈オーバーヘッドが発生します。

感情分析には人間による分析要素が必要です。自動化されたシステムでは、個々のコメント投稿者やプラットフォームの過去の傾向を分析することができず、表現された感情が誤って分類されることが多いためです。自動化は、人間によって正しく分類されたコメントの約23％に影響を与えます。^[57]しかし、人間はしばしば意見が一致せず、人間同士の合意が、自動化された感情分類器が最終的に到達できる上限を提供すると主張されています。^[58]

感情分析システムの精度は、原則として、人間の判断とどれだけ一致するかです。これは通常、否定的および肯定的なテキストの 2 つのターゲット カテゴリに対する精度と再現率に基づくさまざまな尺度によって測定されます。ただし、研究によると、人間の評価者は通常、約 80% ^[59]の確率でしか一致しません (評価者間信頼性を参照)。したがって、感情の分類で 70% の精度を達成するプログラムは、それほど印象的ではないかもしれませんが、人間とほぼ同等の精度を発揮しています。プログラムが 100% の確率で「正しい」場合でも、人間はどんな回答についてもそれほど意見が異なるため、約 20% の確率で意見が異なることになります。^{[引用が必要]}

一方、コンピュータシステムは人間の評価者とは全く異なるエラーを犯すため、数値を完全に比較することはできません。たとえば、否定、誇張、冗談、皮肉などは、人間の読み手にとっては扱いやすいものですが、コンピュータシステムが犯すエラーの中には、人間にはあまりにも素朴すぎると思われるものもあります。一般に、学術研究で定義されている感情分析の実際の商業タスクへの有用性は疑問視されてきました。その主な理由は、ネガティブからポジティブへの感情の単純な一次元モデルでは、例えばブランドや企業の評判に対する公共の言説の影響を心配するクライアントにとって実用的な情報がほとんど得られないことです。^{[60] [61] [62]}

市場のニーズにより適合するために、感情分析の評価は、PR会社や市場調査の専門家の代表者と共同で策定された、よりタスクベースの尺度に移行しました。たとえば、RepLab評価データセットでは、検討中のテキストの内容よりも、問題のテキストがブランドの評判に与える影響に重点が置かれています。^{[63] [64] [65]}

感情分析の評価はますますタスクベースになっているため、特定のデータ セットに対する感情をより正確に表現するには、実装ごとに個別のトレーニング モデルが必要です。

ブログやソーシャルネットワークなどのソーシャルメディアの台頭により、感情分析への関心が高まっています。レビュー、評価、推奨、その他のオンライン表現の急増により、オンライン意見は、製品を販売し、新しい機会を見つけ、評判を管理しようとしている企業にとって、一種の仮想通貨に変わりました。企業がノイズをフィルタリングし、会話を理解し、関連するコンテンツを特定して適切に対処するためのプロセスを自動化しようとする中、多くの企業が感情分析の分野に注目しています。^{[66]さらに問題を複雑にしているのは、} 4chanやRedditなどの匿名ソーシャルメディアプラットフォームの台頭です。^[67] Web 2.0が出版の民主化にすべて焦点を当てていたとすれば、Webの次の段階は、公開されるすべてのコンテンツのデータマイニングを民主化することに基づいている可能性があります。 ^[68]

この目標に向けた一歩は研究で達成されています。現在、世界中の大学のいくつかの研究チームが感情分析を通じて電子コミュニティにおける感情のダイナミクスを理解することに焦点を当てています。^[69]

問題は、ほとんどの感情分析アルゴリズムが、製品やサービスに対する感情を表現するために単純な言葉を使用していることです。しかし、文化的要因、言語的ニュアンス、および異なるコンテキストにより、書かれたテキストの文字列を単純な賛成または反対の感情に変換することは非常に困難です。^[66] 人間がテキストの感情についてしばしば意見が一致しないという事実は、コンピューターがこれを正しく行うことがいかに大きなタスクであるかを示しています。テキストの文字列が短いほど、難しくなります。

短いテキスト文字列が問題になる可能性はあるものの、マイクロブログ内の感情分析は、 Twitterが政治的感情の有効なオンライン指標とみなせることを示している。ツイートの政治的感情は政党や政治家の政治的立場と密接に対応しており、Twitterのメッセージの内容がオフラインの政治情勢を反映している可能性が高いことを示している。 ^{[70]さらに、} Twitterの感情分析は、世界中の人間の生殖周期の背後にある世論を捉えていることも示しており、^[71]薬物の副作用など、公衆衛生に関連するその他の問題も捉えている。^[72]

感情分析は、ソーシャルメディアや製品レビューなど、著者がかなり明示的に意見を述べる領域（「映画は素晴らしい」）では人気がありましたが、感情が強く暗黙的または間接的な他の領域向けの堅牢な方法が考案されたのはごく最近のことです。たとえば、ニュース記事では、主にジャーナリズムの客観性が期待されるため、ジャーナリストは情報の極性を直接述べるのではなく、行動や出来事を説明することがよくあります。辞書や浅い機械学習機能を使用した以前のアプローチでは、「行間の意味」を捉えることができませんでしたが、最近、研究者はニュース記事の感情を分析できるディープラーニングベースのアプローチとデータセットを提案しました。^[1]

学者たちは感情分析を利用して建設安全衛生に関するツイート（現在はXと呼ばれている）を分析した。研究では、お気に入りとリツイートの間には感情価の点で正の相関関係があることが明らかになった。他の研究者は、YouTubeが建設安全衛生知識の普及に与える影響を調査した。彼らは、意味分析を通じて、感情がユーザーの視聴やコメントの行動にどのように影響するかを調査した。別の研究では、Instagramを介した建設安全衛生に関する知識共有において、肯定的な感情が圧倒的な85％を占めた。^[73]

レコメンデーション システムにとって、感情分析は有益な技術であることが証明されています。レコメンデーション システムは、対象ユーザーのアイテムに対する好みを予測することを目的としています。主流のレコメンデーション システムは、明示的なデータ セットで動作します。たとえば、協調フィルタリングは評価マトリックスで動作し、コンテンツ ベース フィルタリングはアイテムの メタデータで動作します。

多くのソーシャルネットワーキングサービスや電子商取引のウェブサイトでは、ユーザーはアイテムに対してテキストレビュー、コメント、フィードバックを提供できます。これらのユーザー生成テキストは、多数の製品やアイテムに関するユーザーの感情の豊富な情報源となります。潜在的に、アイテムの場合、そのようなテキストは、アイテムの関連する機能/側面と、各機能に対するユーザーの感情の両方を明らかにすることができます。^[74]テキストで説明されているアイテムの機能/側面は、コンテンツベースのフィルタリングのメタデータと同じ役割を果たしますが、前者はレコメンデーションシステムにとってより価値があります。これらの機能はユーザーによってレビューで広く言及されているため、アイテムに対するユーザーエクスペリエンスに大きな影響を与える可能性のある最も重要な機能と見なすことができます。一方、アイテムのメタデータ（通常は消費者ではなくプロデューサーによって提供される）は、ユーザーが関心を持っている機能を無視する可能性があります。共通の機能を持つ異なるアイテムに対して、ユーザーは異なる感情を与える可能性があります。また、同じアイテムの機能が異なるユーザーから異なる感情を受け取る場合があります。機能に対するユーザーの感情は、アイテムに対するユーザーの好みを反映した多次元の評価スコアとみなすことができます。

ユーザーが生成したテキストから抽出された特徴/側面と感情に基づいて、ハイブリッドレコメンダーシステムを構築できます。^[75]候補アイテムをユーザーに推奨する動機には2種類あります。最初の動機は、候補アイテムがユーザーの好みのアイテムと多くの共通機能を持っていることです。^[76] 2番目の動機は、候補アイテムがその機能に対して高い感情を受け取ることです。好みのアイテムの場合、同じ機能を持つアイテムは同様の機能または有用性を持つと考えるのが妥当です。したがって、これらのアイテムもユーザーに好まれる可能性があります。一方、2つの候補アイテムに共通する機能の場合、他のユーザーは1つに肯定的な感情を与え、もう1つに否定的な感情を与える可能性があります。明らかに、評価の高いアイテムをユーザーに推奨する必要があります。これらの2つの動機に基づいて、各候補アイテムの類似性と感情評価の組み合わせランキングスコアを構築できます。^[75]

感情分析自体の難しさに加え、レビューやフィードバックに感情分析を適用すると、スパムや偏ったレビューという課題にも直面します。作業の方向性の1つは、各レビューの有用性を評価することに焦点を当てています。^[77]下手に書かれたレビューやフィードバックは、レコメンデーションシステムにとってほとんど役に立ちません。さらに、レビューは対象商品の販売を妨げるように設計される可能性があり、そのため、レビューがよく書かれていてもレコメンデーションシステムに悪影響を及ぼす可能性があります。

研究者らは、ユーザーが作成したテキストの長い形式と短い形式は異なる扱いをする必要があることも発見しました。興味深い結果では、短い形式のレビューは長い形式のレビューよりも役立つ場合があることが示されています。 ^[78]これは、短い形式のテキストではノイズを除去するのがより簡単であるためです。長い形式のテキストの場合、テキストの長さが長くなっても、テキスト内の特徴や感情の数が必ずしも比例して増加するわけではありません。

LambaとMadhusudhan ^[79]は、Twitterのようなソーシャルメディアプラットフォームの感情分析の結果を再パッケージ化し、それをさまざまな形式で統合された時間ベースのサービスとして提供することで、今日の図書館利用者の情報ニーズに応える新しい方法を紹介している。さらに、彼らはソーシャルメディアマイニングと感情分析を使用して図書館でマーケティングを行う新しい方法を提案している。

• 感情コンピューティング
• 消費者心理
• 感情認識
• フレンドリーな人工知能
• 対人関係の正確さ
• マルチモーダル感情分析
• スタイル測定