Обзор анализа сентимента в платформах социальных сетей

Анализ сентимента зарекомендовал себя как ценный инструмент для оценки общественного мнения в различных дисциплинах. Он успешно применялся при прогнозировании финансовых рынков, в вопросах здравоохранения, в аналитике клиентов, оценке коммерческой стоимости, брендинге, политике, прогнозировании преступности и управлении чрезвычайными ситуациями. Многие опубликованные исследования сосредоточены на анализе сентимента в сообщениях Twitter, главным образом потому, что большая и разнообразная аудитория ежедневно выражает мнения по почти любой теме на этой платформе. В статье представлен всесторонний обзор многогранной реальности анализа сентимента в социальных сетях. Мы рассматриваем существующие методы анализа сентимента в социальных сетях с академической точки зрения, а также исследуем дополнительные аспекты, такие как временная динамика, причинно-следственные связи и применения в промышленности. Мы изучаем домены, в которых применялись эти методы, и обсуждаем практическую применимость новых методов искусственного интеллекта. В статье подчёркивается важность временной характеристики и причинных эффектов в анализе сентимента в социальных сетях и исследуются их применения в таких контекстах, как стоимость акций, политика и кибербуллинг в образовательных учреждениях. Сильный интерес со стороны индустрии подтверждается интенсивной активностью в области интеллектуальной собственности: за пять лет по теме выдано более 8 000 патентов. Этот интерес сопоставим с академическими усилиями: за 15 лет опубликовано более 2 300 статей. Однако эти работы неравномерно распределены по доменам: сильное присутствие наблюдается в маркетинге, политике, экономике и здравоохранении, тогда как в других областях, таких как экстренное реагирование, активность ниже. Что касается используемых техник, широко представлены традиционные подходы, такие как словари (лексиконы), нейронные сети и опорные векторные машины. В то же время мы не обнаружили сопоставимого представительства передовых методов уровня состояния искусства, таких как системы на базе Transformer — BERT, T5, T0++ или GPT-2/3. Эта картина согласуется с результатами, полученными авторами данной работы, где вычислительно затратные инструменты, такие как GPT-3, оказываются проблематичными для применения с целью достижения конкурентоспособных результатов по сравнению с более простыми, лёгкими и традиционными методами. Эти выводы вместе с интересом со стороны индустрии и академии указывают на то, что остаётся широкое поле для исследований по доменам, методикам и практическим приложениям, и мы ожидаем продолжения устойчивого ритма публикаций, патентов и появления коммерческих инструментов.