Core Concepts
Arabische Sentimentanalyse steht vor Herausforderungen, wie dem Mangel an Ressourcen und Werkzeugen, aber bietet Potenzial für zukünftige Entwicklungen.
Abstract
Die arabische Sentimentanalyse (ASA) wird in einer umfassenden Studie untersucht, die sowohl manuelle als auch automatische Analysen von 133 ASA-Papieren zwischen 2002 und 2020 durchführt. Die Studie identifiziert verschiedene Ansätze, Herausforderungen und Trends in der ASA-Forschung. Es wird deutlich, dass ASA auf verschiedene Bereiche angewendet wird und verschiedene Ansätze wie maschinelles Lernen, lexikonbasierte und hybride Ansätze verwendet. Es wird betont, dass Deep Learning-Methoden wie LSTM eine höhere Genauigkeit bieten können, aber aufgrund begrenzter Korpora nicht immer optimal sind. Die Studie zeigt auch, dass ASA-Tools fehlen und neue Ressourcen wie arabische Tweets-Korpora benötigt werden. Es wird empfohlen, ASA-Tools zu entwickeln, die sowohl in der Industrie als auch in der akademischen Welt eingesetzt werden können.
I. EINLEITUNG
Zunahme der Forschung im Bereich der Sentimentanalyse aufgrund von Big Data und sozialen Medien.
Anwendungsbereiche der Sentimentanalyse in verschiedenen Branchen.
II. METHODEN
Systematische Literaturrecherche in verschiedenen Datenbanken.
Auswahl und Analyse von 133 relevanten Artikeln zur arabischen Sentimentanalyse.
III. ERGEBNISSE
Untersuchung von verschiedenen Ansätzen wie überwachtem Lernen, lexikonbasierten Ansätzen und hybriden Methoden.
Einsatz von Deep Learning- und Transfer-Learning-Modellen für die arabische Sentimentanalyse.
Stats
Die in der Studie analysierten 133 ASA-Papiere wurden zwischen 2002 und 2020 veröffentlicht.
Die automatische Analyse umfasste 2297 ASA-Veröffentlichungen zwischen 2010 und 2020.
Quotes
"Arabische Sentimentanalyse steht vor Herausforderungen aufgrund des Mangels an Ressourcen und Werkzeugen."
"Die Studie bietet Einblicke in die Herausforderungen der ASA-Forschung und schlägt Wege vor, um das Feld voranzubringen."