ОСНОВАННЫЙ НА ЛЕКСИКОНЕ ПОДХОД В ОЦЕНКЕ ОБОБЩЕНИЙ В РУССКОЯЗЫЧНЫХ СМИ

Аннотация

Статья представляет обобщение как свойство человеческого мышления делать общий вывод на основе собственного опыта и наблюдений авторов, также рассматривается один из приемов, используемых авторами для манипулирования читательской аудиторией, и представлен алгоритм оценки обобщения в текстах. Алгоритм основан на лексиконном подходе. Для поиска обобщения используется готовый словарь (KEY-dictionary)и словарь RuSentiLex. KEY -словарь содержит слова и словосочетания (элементы), выражающие обобщение. В RuSentiLex мы берем слова и фразы, которые выражают мнение и факт. Алгоритм поиска точно сопоставляет элементы из текста с элементами из словарей, также важно, чтобы элементы из разных словарей имели свои веса. Разработан новый метод автоматического обнаружения обобщения в текстах официальных СМИ. Численные расчеты обобщения выполнены с использованием специального программного приложения. Для проверки предложенного подхода использовалась экспертная оценка.

Сведения об авторах

Aleksandr Krassovitsky, Институт информационных и вычислительных технологий МОН РК

научный сотрудник

Irina Ualiyeva, Институт информационных и вычислительных технологий МОН РК

кандидат физико-математических наук, ведущий научный сотрудник, лаборатория анализа и моделирования информационных процессов

Zhazirakhanym Meirambekkyzy, Институт информационных и вычислительных технологий МОН РК

научный сотрудник

Rustam Mussabayev, Институт информационных и вычислительных технологий МОН РК

научный сотрудник

Литература

[1] Teun A. van Dijk. Discourse, Ideology and Context. Folia Linguistica. 2001; 35(1-2):11–40. DOI: 10.1515/flin.2001.35.1-2.11
[2] Teun A. van Dijk. Prejudice in Discourse. An Analysis of Ethnic Prejudice in Cognition and Conversation. Amsterdam: Benjamins. 1984. 172 p.
[3] Ajiboye E. Ideological Discourse Analysis of the Functions of Feedback Comments on Online Reports of Socio-political Crises in Nigeria. Covenant Journal of Language Studies. 2013. 1(2):128-147. Available at: https://journals.covenantuniversity.edu.ng/index.php/cjls/article/view/43/38 (accessed 01.06.2018).
[4] Frolova I.V. On expression of subjectivity in analytical articles of the British and Russian quality press. Political Linguistics. 2015; 1(51):138-145. Available at: https://elibrary.ru/item.asp?id=23590795 (accessed 01.06.2018). (In Russian)
[5] Dankova N.S. Ggeneralization strategy as a means of representing judicial power (on the material of Russian and English print media). Political Linguistics. 2016; 1(55):73–81. Available at: https://elibrary.ru/item.asp?id=25718823 (accessed 01.06.2018). (In Russian)
[6] Recasens M., Danescu-Niculescu-Mizil C., Jurafsky D. Linguistic Models for Analyzing and Detecting Biased Language. Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics. 2013. Vol. 1. Pp. 1650–1659.
[7] Morstatter F., Wu L., Yavanoglu U., Corman S.R., Liu H. Identifying Framing Bias in Online News. ACM Transactions on Social Computing. 2018; 1(2): Article 5. DOI: 10.1145/3204948
[8] Orlova O.G. Russia stereotypes glossary: manner and matter. Political Linguistics. 2013; 3(45):175–182. Available at: https://elibrary.ru/item.asp?id=20378624 (accessed 01.06.2018). (In Russian)
[9] Smit S. Master the power of suggestion! Achieve all you want! [Ovladejte siloj vnushenija! Dobivajtes' vsego chego hotite!]. M.: Izdatel'stvo AST, 2014. 448 p. (In Russian)
[10] D'Andrea A., Ferri F., Grifoni P., Guzzo T. Approaches, Tools and Applications for Sentiment Analysis Implementation. International Journal of Computer Applications. 2015; 125(3):26-33. DOI: 10.5120/ijca2015905866
[11] Vinodhini G., Chandrasekaran R.M. A sampling based sentiment mining approach for e-commerce applications. Information Processing & Management. 2017; 53(1): 223-236. DOI: 10.1016/j.ipm.2016.08.003
[12] Maynard D., Funk A. Automatic Detection of Political Opinions in Tweets. R. García-Castro, D. Fensel D., G. Antoniou G. (Eds.) The Semantic Web: ESWC 2011 Workshops. ESWC 2011. Lecture Notes in Computer Science, Vol. 7117. Springer, Berlin, Heidelberg, 2012. Pp. 88-99. DOI: 10.1007/978-3-642-25953-1_8
[13] Thakkar H., Patel D. Approaches for Sentiment Analysis on Twitter: A State-of-Art study. CoRR. Vol. abs/1512.01043. 2015. Available at: http://arxiv.org/abs/1512.01043 (accessed 01.06.2018).
[14] Taboada M., Brooke J., Tofiloski M., Voll K., Stede M. Lexicon-Based Methods for Sentiment Analysis. Computational Linguistics. 2011; 37(2):267–307. DOI: 10.1162/COLI_a_00049
[15] Repaka R., Pallelra R.R., Koppula A.R., Movva V.S. UMDuluth-CS8761-12: A Novel Machine Learning Approach for Aspect Based Sentiment Analysis. Proceedings of the 9th International Workshop on Semantic Evaluation (SemEval 2015). Association for Computational Linguistics, Denver, Colorado, 2015. Pp. 742-747. Available at: http://aclweb.org/anthology/S/S15/S15-2126.pdf (accessed 01.06.2018).
[16] Rice D., Zorn C. Corpus-based dictionaries for sentiment analysis of specialized vocabularies. Proceedings of NDATAD. 2013. Pp. 98-115. Available at: https://static1.squarespace.com/static/5557a550e4b0443afbea6783/t/5b569390758d4635216e5a73/1532400530505/Rice-Zorn-DictionaryPaper-PSRM-R%26R.pdf (accessed 01.06.2018).
[17] Whitehead M., Yaeger L. Sentiment Mining Using Ensemble Classification Models. T. Sobh (Ed.) Innovations and Advances in Computer Sciences and Engineering. Springer, Dordrecht, 2010. Pp. 509-514. DOI: 10.1007/978-90-481-3658-2_89
[18] Mudinas A., Zhang D., Levene M. Combining lexicon and learning based approaches for concept-level sentiment analysis. Proceedings of the First International Workshop on Issues of Sentiment Discovery and Opinion Mining (WISDOM'12). ACM, New York, NY, USA, 2012. Article 5, 8 pages. DOI: 10.1145/2346676.2346681
[19] Turney P.D. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics (ACL '02). Association for Computational Linguistics, Stroudsburg, PA, USA, 2002. Pp. 417-424. DOI: 10.3115/1073083.1073153
[20] Ualiyeva I., Krassovitsky A., Mussabayev R. Generalization rate evaluation in open publication materials in Russian language. Proceedings of the 16th International Scientific Conference Information Technologies and Management. April 26-27, 2018, ISMA University, Riga, Latvia, 2018. Pp. 81-82. Available at: https://www.isma.lv/FILES/SCIENCE/IT&M2018_THESES/02_CMIT/30_IT&M2018_Ualieva_Krassovitskiy_Mussabayev.pdf (accessed 01.06.2018).
[21] Loukachevitch N.V., Levchik A.V. Creating Russian Sentiment Lexicon. Open Semantic Technologies for Intelligent System. 2016; 6:377-382. Available at: https://elibrary.ru/item.asp?id=30080327 (accessed 01.06.2018). (In Russian)
Опубликована
2018-09-30
Как цитировать
KRASSOVITSKY, Aleksandr et al. ОСНОВАННЫЙ НА ЛЕКСИКОНЕ ПОДХОД В ОЦЕНКЕ ОБОБЩЕНИЙ В РУССКОЯЗЫЧНЫХ СМИ. Современные информационные технологии и ИТ-образование, [S.l.], v. 14, n. 3, p. 567-572, sep. 2018. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/419>. Дата доступа: 22 nov. 2024 doi: https://doi.org/10.25559/SITITO.14.201803.567-572.
Раздел
Теоретические вопросы информатики, прикладной математики, компьютерных наук