Sentimentklassificering

Sentimentklassificering är en uppgift inom naturlig språkbehandling som syftar till att avgöra attityden i en text, ofta uttryckt som positiv, negativ eller neutral. Uppgiften kan genomföras på olika nivåer, till exempel dokumentnivå där hela texten klassificeras, meningnivå där varje mening bedöms, eller aspektbaserad där sentiment kopplas till specifika egenskaper eller ämnen.

Metoderna delas ofta in i lexikonbaserade och maskinlärningsbaserade. Lexikonbaserade metoder använder ordlistor som innehåller polaritet eller intensitet för ord och uttryck. Maskinlärning bygger på annoterade data och kan använda funktioner som bag-of-words, TF-IDF, ord-embeddings eller mer avancerade representationer. Med frekventare användning av transformerbaserade språkmodeller kan man finjustera en modell på svenska eller på flera språk för att förbättra prestandan för sentimentuppgifter.

Data och utmaningar: vanliga källor är produkt- och filmrecensioner, sociala medieinlägg och forum. Viktiga utmaningar inkluderar hantering av negation, idiomatiska uttryck, sarkasm, domänskillnader och språknyanser. Utvärdering görs vanligtvis med mått som accuracy, precision, recall, F1 och ibland ROC-AUC.

Användningsområden inkluderar övervakning av kundernas åsikter, marknadsanalys, opinionsmätningar och stöd för kundtjänst. För svenska och andra språk krävs ofta anpassade resurser och etiska överväganden kring datakällor och annotering.