Eine empirische Evaluierung von Word-Embedding-Modellen für Aufgaben der Subjektivitätsanalyse

Es ist ein eindeutig feststehender Sachverhalt, dass gute Klassifikationsergebnisse stark von Darstellungstechniken abhängen. Die Textdarstellung ist eine unverzichtbare Voraussetzung, die erfüllt sein muss, bevor irgendeine Textanalyse durchgeführt wird, da sie eine Grundlage schafft, die selbst fortgeschrittene maschinelle Lernmodelle nicht kompensieren können. Diese Arbeit zielt darauf ab, verschiedene Modelle zur Textdarstellung umfassend zu analysieren und quantitativ zu evaluieren, um die Subjektivitätsanalyse durchzuführen. Wir implementieren eine Vielzahl unterschiedlicher Modelle auf dem Cornell-Subjectivity-Datensatz. Es ist erwähnenswert, dass das BERT-Sprachmodell im Vergleich zu allen anderen Modellen deutlich bessere Ergebnisse liefert, jedoch erheblich rechenintensiver ist als die anderen Ansätze. Durch die Feinabstimmung des BERT-Sprachmodells erzielen wir state-of-the-art-Ergebnisse bei der Subjektivitätsaufgabe. Dies könnte zahlreiche neue Forschungspfade eröffnen und potenziell zu einem spezialisierten Modell führen, das von BERT inspiriert ist und gezielt der Subjektivitätsanalyse gewidmet ist.