چکيده— تحلیل احساس، حوزه ایست که به حدس و بررسی و تحلیل عقاید، احساسات، ارزیابی ها، اظهارنظر ها و هیجانات افراد نسبت به افراد دیگر، محصولات، موضوعات و سایر موارد می پردازد. این مقوله، از چندین زیر وظیفه که تفاوت اندکی با هم دارند؛ تشکیل می شود. این زیر وظیغه ها عبارتند از: تشخیص قطبیت، تشخیص ذهنیت و نظری بودن، نظر کاوی و تحلیل عواطف. در این پایان نامه، بر مبحث تشخیص قطبیت متمرکز می شویم. در این مبحث پیش بینی می شود که آیا یک tweet حامل احساسات مثبت یا منفی یا خنثی می باشد و یا اینکه صرفا احساس مثبت و احساس منفی را در بر دارد. می توان گفت که تحلیل احساس، یک زمینه فرعی از محاسبه و پردازش عواطف است که بر ایجاد کامپیوترهایی متمرکز می باشد که می توانند احساسات و هیجانات افراد را شناسایی و بیان نموده و خود نیز دارای احساس باشند. محاسبه سنتیک، حوزه جدیدی است که فصل مشترک محاسبه عواطف و محاسبه ادراک عمومی است و دانش ادراک عمومی و هوش هیجانی را برای تحلیل احساس، مورد استفاده قرار می دهد. در این پایان نامه، برای بهبود تکنیک های تحلیل احساس بر پایه یادگیری نظارت شده، از مجموعه لغات احساسی (شامل لغاتی که به بیان احساسات می پردازند)؛ الگوهای زبانی (قواعدی که بیان می نمایند چگونه اقسام کلمه نظیر حالات شرطی و ترکیبات عطفی در زبان مورد استفاده می باشند) و نیز مبانی دانش ادراک عمومی، استفاده می نماییم.

Abstract:  Sentiment analysis is a field that infers and analyses people’s opinions, sentiments, assessments, and emotions towards other people, products, issues, etc. It comprises of several slightly different sub-tasks such as polarity detection, subjectivity detection, opinion mining, and emotion analysis. In this thesis, we will be focussing on polarity detection, that is predicting if a tweet conveys positive, negative or neutral sentiment, or just positive and negative sentiment. Sentiment analysis can be said to be a sub-field of affective computing [8] that is a field which focuses of building computers that can detect, express, and “have" emotions. Sentic Computing [9] is a new field at the intersection of affective computing and common-sense computing that exploits both common-sense knowledge and emotional knowledge for sentiment analysis. In this thesis, we will leverage on sentiment lexicons (containing words that express emotions), linguistic patterns (rules based on how parts-of-speech like conditionals and conjunctions are used in language) and common-sense knowledge base(s) to enhance sentiment analysis techniques based on supervised learning.