Enhancing Sentiment Analysis Using Community Detection

利用关键词｛community，sentiment｝作为关键词，只能检索到这三篇文章，所以可以简单的认为这并不算一个非常热门的研究问题，这里简要对这三篇文章进行阅读。

 

第一篇：Community detection seeks to find groups of associated individuals within networks, and sentiment analysis attempts to determine how individuals are feeling. 两个单独问题的结合，首先探测群组，确定之后对群组内tweet情感进行分析。群组探测使用worktrap方法，情感分析使用基于SentiWordNet的情感得分。(这种串行的分析，效果应该不如同步的建模)。没有重要结论和收获。——（Enhancing Sentiment Analysis on Twitter Using Community Detection）

 

第二篇：分析社交网络中的特定问题和影响力用户，然后利用话题的普遍性识别影响力社区，同时识别群组，基于不同话题的情感普遍性。文章回顾了对社交网络的分析工作，首先对网络影响力的分析，考虑了入度、转发数和mention数量，其中后两者的作用更大（百万follower谬论）；也有研究利用retweet和mention构建了网络，并进行群组分析，发现前者有更好的区分性（政治）—— 所以论文得出几轮，retweet影响是最合适的影响力评估标准，在retweet network中的得到影响力群组。这篇文章，在构建（识别）群组的时候，不仅仅利用有影响力的成员，同时还有话题和情感的普遍性。方法使用有监督的SVM分类，数据包括手工和自动两类。研究环境相关的内容。

 

这个过程主要分为三部分（community interest and leaning），首先构建retweet network，并探测密集群组，识别影响力用户；然后分析群组内部文本（tweet）发现兴趣点；最后情感分析群组的不同话题。

群组探测使用传统Louvain methond，influential users使用权重累计；

兴趣点：使用TF-IDF找到文本中最多的单词，排序（那么话题呢？）

情感探测：SVM分类

 

总体而言，串行研究，从群组开始，然后话题，然后情感，没有统一的架构，但是如果构建工作量反而增大，效果不一定很好。所以，研究价值存疑。