SO SÁNH CÁC THUẬT TOÁN HỌC MÁY CHO PHÂN TÍCH TÌNH CẢM  PHỤ ĐỀ YOUTUBE TIẾNG VIỆT

Nguyễn Trọng Tú; Nguyễn Trung Tín

doi:10.34238/tnu-jst.9741

SO SÁNH CÁC THUẬT TOÁN HỌC MÁY CHO PHÂN TÍCH TÌNH CẢM PHỤ ĐỀ YOUTUBE TIẾNG VIỆT

Thông tin bài báo

Ngày nhận bài: 20/02/24 Ngày hoàn thiện: 23/05/24 Ngày đăng: 24/05/24

Các tác giả

1. Nguyễn Trọng Tú , Trường Đại học Kỹ thuật Lê Quý Đôn
2. Nguyễn Trung Tín, Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Hiện nay, YouTube đã trở thành một trong những nền tảng trực tuyến quan trọng, với hàng tỷ giờ video được tải lên mỗi ngày, thu hút đông đảo người dùng. Gần đây, các lực lượng phản động và các tổ chức cực đoan từ nước ngoài đã tận dụng YouTube để lan truyền video chống phá Đảng, Nhà nước và Quân đội Việt Nam. Nghiên cứu này tập trung vào phân tích các phụ đề Tiếng Việt được thu thập từ YouTube. Bằng cách sử dụng các thuật toán học máy, thực hiện phân tích cảm xúc và phân loại phụ đề của các video. Nghiên cứu này mang lại cái nhìn sâu sắc về tâm trạng và quan điểm của cộng đồng mạng đối với nội dung trên YouTube, đặc biệt là những nội dung liên quan đến chính trị và xã hội. Kết quả của nghiên cứu giữa bốn thuật toán học máy, thuật toán Random Forest đã đạt tỷ lệ chính xác cao nhất là 81%, vượt trội so với ba thuật toán khác trong phân tích cảm xúc của các phụ đề từ video YouTube có nội dung tiêu cực.

Từ khóa

Học máy; Phụ đề YouTube; Phân tích cảm xúc; Phân loại phụ đề; So sánh thuật toán

Toàn văn:

PDF

Tài liệu tham khảo

[1] M. Munezero, C. S. Montero, E. Sutinen, and J. Pajunen, “Are they different? Affect, feeling, emotion, sentiment, and opinion detection in text,” IEEE Trans. Affect. Comput., vol. 5, no. 2, pp. 101–111, 2014.

[2] B. Pang, L. Lee, and S. Vaithyanathan, “Opinion Mining and Sentiment Analysis” IEEE Trans. Knowl. Data Eng., vol. 20, no. 6, pp. 866–879, June 2008, doi: 10.1109/TKDE.2008.90.

[3] X. Song, X. Liang, and Y. Ma, “A Sentiment Analysis Approach to Predict Stock Market Trends,” 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 2018, pp. 3596–3602, doi: 10.1109/BigData.2018.8621985.

[4] B. Pang and L. Lee, “Sentiment Analysis and Opinion Mining: A Survey,” IEEE Trans. Knowl. Data Eng., vol. 28, no. 9, pp. 1299–1323, Sept. 2016, doi: 10.1109/TKDE.2015.2476522

[5] P. Gonçalves, M. Araújo, F. Benevenuto, and M. Cha, “Comparing and combining sentiment analysis methods” in Proc. first ACM conference on Online social networks, New York, USA, 2013, pp. 27–38, doi: 10.1145/2512938.2512951.

[6] W. Medhat, et al., Sentiment analysis algorithms and applications: A survey, Elsevier, 2020.

[7] W. Y. Chong, et al., Natural Language Processing for Sentiment Analysis, IEEE, 2019.

[8] H. Bhuiyan, K. J. Oh, M. K. Hong, and G. S. Jo, “An unsupervised approach for identifying the Infobox template of wikipedia article,” in 18th International Conference on Computational Science and Engineering (CSE), 2015, IEEE, pp. 334-338.

[9] R. Novendri et al., “Sentiment Analysis of YouTube Movie Trailer Comments Using Naïve Bayes,” Bulletin of Computer Science and Electrical Engineering, 2020.

[10] W. Tafesse, YouTube marketing: how marketers’ video optimization practices influence video views, Internet Research, Emerald Publishing Limited, 2020.

[11] D. Das, et al., Affective Computing and Sentiment Analysis, Springer, 2018.

[12] R. K. Bakshi, N. Kaur, R. Kaur, and G. Kaur, “Opinion mining and sentiment analysis,” in Proc. 3rd International Conference on Computing for Sustainable Global Development (INDIACom), 2016, IEEE, pp. 452–455.

[13] M. Cliche, “BB_twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs,” arXiv:1704.06125 [cs.CL], Apr. 2017, doi: 10.48550/arXiv.1704.06125.

[14] C. Baziotis, N. Pelekis, and C. Doulkeridis, “DataStories at SemEval-2017 Task 4: Deep LSTM with Attention for Message-level and Topic-based Sentiment Analysis,” in Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), Vancouver, Canada, Aug. 2017, pp. 747–754.

[15] C. M. Vu, T. A. Luong, and L. H. Phuong, “Improving Vietnamese Dependency Parsing Using Distributed Word Representations,” in Proceedings of the 6th International Symposium on Information and Communication Technology (SoICT), Hue, Vietnam, 2015, doi: 10.1145/2833258.2833296.

[16] P. T. Nguyen, L. V. Xuan, T. M. H. Nguyen, V. H. Nguyen, and P. Le-Hong, “Building a large syntactically-annotated corpus of Vietnamese,” in Proceedings of the 3rd Linguistic Annotation Workshop, ACL-IJCNLP, Suntec City, Singapore, 2009, pp. 182–185.

[17] T.-L. Nguyen, V.-H. Nguyen, T.-M.-H. Nguyen, and P. Le-Hong, “Building a treebank for Vietnamese dependency parsing,” in Proceedings of RIVF, IEEE, 2013, pp. 147–151.

[18] VLSP Project, “Resources for Vietnamese,” 2024. [Online]. Available: https://vlsp.hpda.vn/demo/. [Accessed Mar. 6, 2024].

DOI: https://doi.org/10.34238/tnu-jst.9741

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ