Masking the Bias: Von Echo Chambers zur großskaligen aspektbasierten Sentimentanalyse

Aspect-basierte Sentimentanalyse (ABSA) ist eine Aufgabe im Bereich des Natural Language Processing (NLP), die präzise Sentiment-Beziehungen spezifischen Entitäten und Themen in Textdaten zuordnet. In diesem Artikel werden kritische Schwächen bestehender ABSA-Methoden adressiert, insbesondere die Beschränktheit der Aspekte, Verzerrungen im Trainingsdatensatz sowie der Mangel an umfassenden, stance-kodierten Datensätzen. Zunächst entwickeln wir einen skalierbaren Ansatz namens MaskedABSA, bei dem Aspektbegriffe in Trainingsätzen maskiert werden, um eine verzerrungsfreie Sentimentinferenz allein auf Basis des Kontextes zu ermöglichen. Wir zeigen, dass der vorgeschlagene Ansatz die derzeitigen State-of-the-Art-Lösungen hinsichtlich der Genauigkeit bei der Klassifikation von Sentiment zu Aspektbegriffen übertrifft, wie anhand der SemEval-Datensätze bestätigt wurde. Darüber hinaus lösen wir die anhaltenden Herausforderungen begrenzter Trainingsressourcen und der hohen Kosten manueller Annotation bei der Erstellung von ABSA-Datensätzen, indem wir eine innovative Weak-Supervision-Technik vorstellen, die die inhärenten Gemeinschaftskluster-Eigenschaften in sozialen Medien-Datensätzen nutzt. Durch die Anwendung von Gemeinschaftserkennungsalgorithmen partitionieren wir ein Teilnehmer-Netzwerk in polarisierte Gruppen mit homogenen, antagonistischen Haltungen, wodurch die Erstellung großer, aspect-basierter Sentimentanalyse-Datensätze ohne zeitaufwändige manuelle Kodierung möglich wird. Unser Verfahren wird zudem anhand eines realen, polarisierten Datensatzes mit vielfältigen Aspekten und Haltungen validiert, um dessen Wirksamkeit und Skalierbarkeit zu demonstrieren.