Und noch ein Vortrag, der sich mit Sentiment Classification befasst, diesmal damit, welche Bewertung einzelne Wörter haben, positiv oder negativ?
Hiroya Takamura, Takashi Inui und Manabu Okumura benutzen dafür in "Extracting Semantic Orientation using Spin Model" ein von der Teilchenphysik inspiriertes Modell.

Dieser Vortrag von Bo Pang und Lillian Lee mit dem vollständigen Titel "Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales" handelte davon, aus einem Text seine Einstellung gegenüber dem in ihm besprochenen Thema zu ermitteln, zum Beispiel anhand einer Filmkritik eine Bewertung zu ermitteln. Zu einer älteren Arbeit der beiden Autorinnen gibt es in Technology Research News einen populärwissenschaftlich aufbereiteten Artikel. Im Gegensatz zu dieser Arbeit und der ebenfalls auf der ACL05 vorgestellten Arbeit von Jonathon Reed lag hier der Fokus nicht auf einer bloßen Klassifizierung in gut oder schlecht, sondern auf einer mehrstufigen Einordnung auf einer Skala.

Bo Pang und Lillian Lee testeten verschiedene SVM-basierte Lernalgorithmen auf Filmkritiken. Sie stellten dabei fest, dass bei einer geringen Anzahl zu unterscheidenden Klassen (z.B. schlecht, neutral, gut) ein One-versus-All-Ansatz gut funktioniert. Dabei gibt es für jede Klasse einen eigenen Klassifizierer, der zwischen der jeweiligen Klasse und dem Rest unterscheidet.
Ab vier oder mehr Klassen liefert aber ein SVM-Regression basierter Klassifikator die besseren Ergebnisse.