Supervisor(s)

Student

Related projects

DAFFODIL
Distributed Agents for User-Friendly Access of Digital Libraries

Finished

2007-02

Formalia

Targeted audience
  • DAI Hauptstudium: Bereich "D"
Preconditions
  • Fähigkeit im Lesen und Verstehen englischer wissenschaftlicher Publikationen (notwendig)
  • Fähigkeit und Interesse, sich in neue theoretische und praktische Aspekte einzuarbeiten
  • Vorlesung Data Mining oder Information Retrieval (notwendig)
  • Erfahrung in der Programmierung mit Java (absolut notwendig)

Task description

Bei der Sentiment Classification [Pang/etal:02] geht es darum, Dokumente danach zu klassifizieren, ob sie sich positiv oder negativ ber das jeweilige Thema äußern. Ein klassisches Anwendungsgebiet ist die Beurteilung, ob Reviews z.B. über ein Produkt oder einen Film eher positiv oder negativ ausfallen.

In dieser Arbeit soll nun versucht werden, die Idee der Sentiment Classification auf Diskussionen zu bertragen, wie man sie in Diskussionsforen, EMail-Listen, aber auch Kommentaren und Diskussionen zu Web-Artikeln vorfindet. Hierbei soll nun festgestellt werden, ob eine Antwort auf einen Beitrag eher positiv oder negativ über selbigen ausfällt. Eine Beurteilung kann auf der inhaltlichen Ebene geschehen, indem man einer Argumentation zustimmt oder diese ablehnt, als auch auf der Metaebene, indem ein Beitrag aus nicht-inhaltlichen Grnden abgelehnt wird (-> "don't feed the trolls"). Basierend auf einer vorkategorisierten Lernstichprobe soll nun ein maschinelles Lernverfahren trainiert und auf einer Testmenge evaluiert werden. Solch eine Testkollektion, basierend auf ZDNet News, wird zurzeit am Lehrstuhl aufgebaut.

Die Diplomarbeit umfasst daher folgender Schritte:

Result text

Marc Lechtenfeld (2007).
Sentiment Classification in Diskussionen. Diplomarbeit

Talks

July 05, 2006
Starting talk
[ Slides ]

Literature

Pang, Bo; Lee, Lillian; Vaithyanathan, Shivakumar (2002).
Thumbs up? Sentiment Classification using Machine Learning Techniques. In: Proc. of the 2002 Conference on Empirical Methods in Natural Language Processing (EMNLP)
Thorsten Joachims (1998).
Text categorization with support vector machines: learning with many relevant features. In: Claire N\'edellec; C\'eline Rouveirol (eds.): Proceedings of ECML-98, 10th European Conference on Machine Learning. Springer, Heidelberg et al..
J. Platt (2000).
Probabilistic outputs for support vector machines and comparison to regularize likelihood methods. In: A.J. Smola; P. Bartlett; B. Schoelkopf; D. Schuurmans (eds.): Advances in Large Margin Classifiers