TAILIEUCHUNG - Báo cáo khoa học: "Optimizing Informativeness and Readability for Sentiment Summarization"

We propose a novel algorithm for sentiment summarization that takes account of informativeness and readability, simultaneously. Our algorithm generates a summary by selecting and ordering sentences taken from multiple review texts according to two scores that represent the informativeness and readability of the sentence order. The informativeness score is defined by the number of sentiment expressions and the readability score is learned from the target corpus. We evaluate our method by summarizing reviews on restaurants. . | Optimizing Informativeness and Readability for Sentiment Summarization Hitoshi Nishikawa Takaaki Hasegawa Yoshihiro Matsuo and Genichiro Kikui NTT Cyber Space Laboratories NTT Corporation 1-1 Hikari-no-oka Yokosuka Kanagawa 239-0847 Japan i - kikui-genichiro I Abstract We propose a novel algorithm for sentiment summarization that takes account of informativeness and readability simultaneously. Our algorithm generates a summary by selecting and ordering sentences taken from multiple review texts according to two scores that represent the informativeness and readability of the sentence order. The informativeness score is defined by the number of sentiment expressions and the readability score is learned from the target corpus. We evaluate our method by summarizing reviews on restaurants. Our method outperforms an existing algorithm as indicated by its ROUGE score and human readability experiments. 1 Introduction The Web holds a massive number of reviews describing the sentiments of customers about products and services. These reviews can help the user reach purchasing decisions and guide companies business activities such as product improvements. It is however almost impossible to read all reviews given their sheer number. These reviews are best utilized by the development of automatic text summarization particularly sentiment summarization. It enables us to efficiently grasp the key bits of information. Sentiment summarizers are divided into two categories in terms of output style. One outputs lists of sentences Hu and Liu 2004 Blair-Goldensohn et al. 2008 Titov and McDonald 2008 the other outputs texts consisting of ordered sentences Carenini et al. 2006 Carenini and Cheung 2008 Lerman et al. 2009 Lerman and McDonald 2009 . Our work lies in the latter category and a typical summary is shown in Figure 1. Although visual representations such as bar or rader charts This restaurant offers customers .

• Báo cáo khoa học
• Optimizing Informativeness and Readability
• Sentiment Summarization
• Hitoshi Nishikawa
• Takaaki Hasegawa
• Yoshihiro Matsuo and Genichiro Kikui
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball