Logo des Repositoriums

Auflistung nach Schlagwort "computational linguistics"

1 - 3 von 3
  • Konferenzbeitrag
    An Improved E-Learning Tool for Parsing-as-Deduction
    (20. Fachtagung Bildungstechnologien (DELFI), 2022) Westburg, Anika
    This paper presents an extended version of the CL-Taskbox introduced at DELFI 2019. The e-learning tool for the so-called parsing-as-deduction approach has been expanded with the generation of random tasks of several difficulty levels. Additional to aiding the learner in solving the tasks by providing constant visual feedback, a new feature that allows to draw freehand directly on the page aims at teachers who use the tool for explanations.
  • Konferenzbeitrag
    The InsightsNet Climate Change Corpus (ICCC)
    (BTW 2023, 2023) Bartsch, Sabine; Duan, Changxu; Tan, Sherry; Volkanovska, Elena; Stille, Wolfgang
    The discourse on climate change has become a centerpiece of public debate, thereby creating a pressing need to analyze the multitude of messages created by the participants in this communication process. In addition to text, messages on this topic are communicated through images, videos, tables and other data objects that are embedded within a document and accompany the text. This paper presents the process of building the InsightsNet Climate Change Corpus (ICCC), a multimodal corpus on the topic of climate change, using NLP tools to enrich corpus metadata, a dataset that lends itself to the exploration of the interplay between the various modalities that constitute the discourse on climate change.
  • Zeitschriftenartikel
    SentiStorm: Echtzeit-Stimmungserkennung von Tweets
    (HMD Praxis der Wirtschaftsinformatik: Vol. 53, No. 4, 2016) Zangerle, Eva; Illecker, Martin; Specht, Günther
    Das automatisierte Erkennen der Stimmung von Texten hat in den letzten Jahren stark an Bedeutung gewonnen. Insbesondere durch die rapide Zunahme der Geschwindigkeit, mit der in sozialen Medien Informationen verbreitet werden, ist eine Echtzeit-Bestimmung der Stimmung von Texten ein herausforderndes Problem. Der Mikroblogging-Dienst Twitter verzeichnet im Durchschnitt über 8000 versendete Nachrichten pro Sekunde. In dieser Arbeit stellen wir mit dem SentiStorm-Ansatz einen Ansatz zur Stimmungserkennung von Tweets vor. Dabei erzeugen wir in einem ersten Schritt Merkmalsvektoren für die Tweets, die sowohl linguistische Informationen über den Tweet (Wichtigkeit der Wörter, Wortarten), wie auch über Sentiment-Lexika gewonnene Stimmungsinformationen beinhalten. In einem zweiten Schritt führen wir mittels der Merkmalsvektoren eine Stimmungsklassifikation durch, die eine Einteilung in positive, negative oder neutrale Tweets ermöglicht. Die durchgeführten Evaluationen zeigen, dass der präsentierte Ansatz bezüglich der Qualität der erkannten Stimmung sehr gute Erkennungsraten garantiert. Weiter zeigen wir, dass der Ansatz mittels der Apache Storm Plattform problemlos für die Echtzeit-Stimmungserkennung von Tweets skaliert werden kann.AbstractThe automatic detection of the sentiment of texts has become more and more important throughout the last years. Particularly, the rapid increase of the speed at which information is spread in social media makes real-time sentiment detection a challenging task. On the microblogging platform Twitter, more than 8,000 messages are sent every second. In this work, we present the SentiStorm approach, an approach for sentiment detection within tweets. We base the approach on feature vectors which contain linguistic information about the tweet content (weighting of words, word categories), as well as sentiment information which we gather based on sentiment lexica. Subsequently, we facilitate these feature vectors for a sentiment classification task which allows for distinguishing positive, negative and neutral tweets. Our conducted evaluations show that the proposed approach shows high classification accuracy. At the same time, we show that utilizing the Apache Storm platform we are able to easily scale the approach towards a real-time sentiment classification of tweets.