Schmerzen lindern ist gut und Hoffnung aufgeben schlecht - Automatische Klassifizierung von Polaritäts-Shiftern für Sentimentanalyse

Abstract

Sentimentanalyse ist ein Bereich der Computerlinguistik, der sich mit der automatischen Erkennung von Meinungen in Text und Sprache befasst. Während Menschen dies intuitiv tun, ist es für Computer weiterhin eine große Herausforderung. Sie haben selbst bei grundlegenden Aufgaben Probleme, wie bei der Bestimmung der Polarität einer Aussage, also ob diese positiv, negativ oder neutral gemeint ist.

Diese Polaritäten können zudem beeinflusst werden, zum Beispiel von Negationswörtern wie “nicht” und “kein” in Sätzen wie “Ich habe keine Hoffnung” und “Ich habe keine Schmerzen”. Es gibt jedoch auch viele andere Wörter, die Polaritäten beeinflussen können, obwohl sie keine typischen Negationswörter sind, so wie “aufgeben” in “Ich gebe die Hoffnung auf” und “lindern” in “Es lindert meine Schmerzen”. Solche Wörter bezeichnen wir als Polaritäts-Shifter.

In meiner Doktorarbeit erforsche ich Methoden, Polaritäts-Shifter mithilfe maschinellen Lernens automatisch zu erkennen. Hierbei nutze ich sowohl linguistische Ressourcen als auch maschinelle Mustererkennung. Ich bestimme zudem, ob sich diese Polaritäten in beide Richtungen verschieben können (man kann sowohl Hoffnung als auch das Rauchen aufgeben) oder nur in eine (man kann keine positiven Dinge lindern). Die aus meiner Arbeit resultierenden Shifter-Lexika für Englisch und Deutsch können in Zukunft verwendet werden, um die Erkennung von Polaritäten in Sentimentanalyse-Anwendungen zu verbessern.