アスペクトベース感情分析（ABSA）は、自然言語処理（NLP）の一分野であり、テキストデータ内の特定のエンティティやトピックに対して正確な感情関係を付与するタスクである。本研究は、現行のABSA手法に見られる重要な課題、すなわちアスペクトの制限、訓練データのバイアス、および包括的なステークホルダー立場コード付きデータセットの不足に着目している。まず、我々はスケーラブルな「MaskedABSA」手法を開発した。この手法では、訓練文におけるアスペクト語をマスクすることで、文脈のみに基づいた偏りのない感情推論を可能にする。実証結果として、SemEvalデータセットを用いた評価により、提案手法がアスペクト語感情分類タスクにおいて最新の最先端手法を上回る精度を達成することを示した。さらに、ABSAデータセット作成における恒久的な課題である限られた訓練リソースと手動ラベル付けの高コスト問題に対処するため、ソーシャルメディアデータセットに内在するコミュニティクラスタリング特性を活用した革新的な弱教師付き手法を導入した。コミュニティ検出アルゴリズムを用いて共有ネットワークを、同質的な敵対的立場を持つ極化されたグループに分割することで、人的な手作業によるラベル付けを大幅に削減しつつ、大規模なアスペクトベース感情分析データセットの収集が可能となった。本手法の有効性とスケーラビリティは、多様なアスペクトと立場を含む実世界の極化データセットを用いた検証を通じて確認された。