Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   3 ,  Ma rch   201 9 , p p.   1175 ~ 1 18 3   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 3 .pp 1175 - 1 18 3          1175       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Modifie d frame work f or sarcasm  detecti on  and classifi cati on    in senti ment an alys i s       Mohd  Suh airi Md  Suhaimi n 1 , Mohd H ana fi A h ma d Hi j az i 2 , R ayner   Alfred 3 ,  Fr an s  Coenen 4   1 ,2,3 Facul t y   of  C om puti ng  and  In form at ic s,   Unive rsiti   Ma lay sia   Sa bah,   Ma lay si a   1 Kuching  Com m unity   Col le g e, Mini str y   of   Edu ca t ion,   Ma lay si a   4 Depa rtment of  Com pute r  Scie n ce ,   Univer si t y   of   Li v erp ool ,   Unit ed  Kingdom       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   S ep   1 5 , 201 8   Re vised Dec  6 ,  2018   Accepte d Dec  17 , 201 8       Senti m ent   an alys is  is  dire cted  at  ide ntif y ing  peo ple' s  opini ons,  b el i efs,   vie w s   and  emotions  in   the   con te x t  of  t he  entities  and  a tt ributes  that  ap pea r  in  te x t .   The   pre senc e  of  sarc asm ,   how eve r,   c an  signi fic an tly   hamper   senti m ent  ana l y sis.  In   thi s  pape r  a   senti m e nt  class ifi cation  fra m ework  is  pre sente d  that   inc orpora te s  sar ca sm   det ection .   The   fra m ework  was  eva luated  u sing  a  non - li ne ar  Support  Vec tor  Ma chi n e   and  Ma lay   so c ia l   m edi a  d ata.  The   r esult s  obt ai n ed  demon strat ed   that  th e  proposed  sarc as m   det ection  pro ce ss   could   succ essfull y   de te c t  the   pr ese n ce   of  sarc asm   in  tha t  b etter   senti m ent  cl assifi ca t ion  p e rform anc e  was  r ec orde d .   A  b est  ave rag e  F - m ea s ure   score   of   0. 905  was  rec or ded  using  the   fr amework;  a  s ig nifi c ant l y   b et t er   result   tha n   when  senti m ent  cl assifi ca t ion  wa s pe rform ed  wit hout  sarc asm   detec t ion.   Ke yw or ds:   Cl assifi cat ion     Fr am ewo r k   Ma la y  so ci al  m edia    Sarcasm   detect ion   Sentim ent  analy sis   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed.   Corres pond in g  Aut h or :   Mohd S uhai ri  Md S uh ai m in,    Ku c hing C omm un it y C ollege, Mi nistry  of   Ed ucati on,   Petra Jay a,  93050 Sa raw a k  M al ay sia .   Em a il :  m i15 11 003t@al um .u m s.ed u. m y /   su hairisu haim in@kk kg.edu.m y       1.   INTROD U CTION   User   ge ner at e d  con te nt,  ac qu i red   from   so ci al   m edia,  has  be en  e xtensiv el y  analy sed  s o  as  to  ide ntify  people' s  em oti on s ,  perspecti ves,  vie ws,  be li efs  an d  se nti m ents  towa rd s   sit uatio ns ,   pro duct s,  se r vices,     oth e r  in div id ua ls  and   orga ni sat ion s   [1] .   S uc h  Se ntim ent  An al ysi s  ( SA)  fo c us es  on  the   posit ive  an d  ne gative  la belli ng   of  co m m ents.  Ho we ver,  the  prese nc e  of   sa rcasm   i n  us e r  com m e nts  can  a dv e rs el y  aff ect   the  qual it y  of   the  SA.  Wh en  sa rcasti c  con te nt  is  include d  in  wh at   would  be  co nsi der e d  to  be  a  p os it ive  sta t e m ent,     the  m eaning   is   inten ded   t o  be   neg at i ve,   a nd   vice  ve rsa  [ 2] .  The  us e  of   sa r casm   is  par ti cu la rly   pr e valent  in  the   con te xt  of  poli ti cal   exch an ge s  su c h  as  in  t he   case  of  disc ussi on   f orum s.  The  ov e rall   affe ct   of   sa rcasm   is  to  ' flip'  the  expr essed  se ntim e nt  [3] .  A  fail ur e  t o  detect   sarcasm   will   cl early   aff ect   the  outp ut  fro m   SA     syst e m s  [4] .  Extensi ve  wor k  has  bee n  re por te d  directed  at   ov e rc om ing   the  sarcasm   pr ob lem   us ing   a  r ang e  of  te chn iq ues  [5] .  H owe ver , t o  the b est   knowle dg e  of  t he  aut hors , no work   ha s b ee n  co nduc te d  w her e by sa rcasm   detect ion   a nd  cl assifi cat ion   ha ve  bee n  i ncor porated  i nto   a  sentim ent  cl ass ific at ion   f ram e work   as  pr opose d  in   this pa per.   The  obj ect ive   of  the  w ork  presented   in  t his   pa per  can   be   su m m arized  as:   giv e n  a n  opinio nated   te xt   com m ent   x ,  de te rm ine  w het her  x   e xpress es  a  posit ive  or  ne gative   se nti m ent  after   consi der i ng  w hethe r   sarcasm   is  pr e sent  or  not.  M or e   sp eci fical ly   this  pa pe r  presents   a  se ntim ent  cl assifi cat ion   fr am ewo r k  tha t   inco rpor at es  s arcasm   detect i on   a nd  cl assifi cat ion .  In it i a l  senti m ent  classificat ion   is   perform ed  on  the   pr e processe d  te xts  from   wh i ch  featu res  a re   sel ect ed  a nd  extracte d.  Sa rc asm   detect ion   and  cl assifi cat ion  are   perform ed  la te r.   T he  ai m   is  firstly   to  detect   the  pr ese nce  of   sarcasm ,  an d  the n,  as  c onseq uen ce ,  to  fl ip  the   init ia l cl assifi c at ion . Act ual  s entim ent cla ssific at ion  is t hus  perform ed  at  the e nd of t he p ro ces s.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1 1 7 5   –   1 1 8 3   1176   2.   RELATE D  W ORK   Sarcasm   is  a  t ype  of  ve r bal  iro ny  that  im pli es  the  op posit e  m eaning   of  th e  li te ral  m eani ng   of  w hat   was  sai d  [ 6],   [ 7] .  Al ong  wit h  hype rbole,  jo cularit y,  r heto r ic al   qu est io ns   and  un der sta te m ents,  the  ide a  is  to  convey  a   com bin at ion  of  obvi ou s   a nd  m or e  s ub tl e  i nterp e rs on al   m eanin gs .   H ow e ve r,   t he  stud y  of  sar cas m   in  li ng uisti cs   [ 8],   [9]   an d  com pu ta ti on   [ 10] – [ 12]   has  in dicat ed  that  the  pres ence  of  sarcas m   in  a  neg at ive  te xt   do e s  not  al wa ys  ind ic at e  the   opposit e  of   w hat  the  s peak e r  m eant,  hen ce   wh e n  under ta king  S A  we  c annot   si m ply rev erse   the ' po la rity ' .   Ther e   has   bee n  s om e  pr evio us   work  direct ed  at   ext racti ng  opi nions  f rom   te xt  (co m m entary)  t hat   m ay   featur e  sarcasti c  con te nt .  The  syst em   pro po se d  in  [ 13]   adopts  a  N at ur al   Lan gua ge  Processi ng   (N L P)  appr oach   a nd   featur e s  a  pro cess  com pr isi ng   ei ght  ste ps   wh ic h  ai m   t o   detect ing   sa rcasti c  op ini ons  an d  conseq ue ntly   flipp in g  pola rit y   at   fifth  ste p ,   and   determ ini n g  the  fi nal  pola rity   value  f or   e ach  ta r get  op i ni on   at   ei gh t  ste p .  T o  detect   sarcasti c  sta tem ent ,  t he  aut hors  sugg e ste d  ad opti ng   t he   ‘c on te xt ual  valence  s hifter ’   pro po se d  i n  [1 4 ] .  Valence   ca lc ulati on   was   perform ed  at   the  se ntence   le vel  us in g  a   po sit ive  an d  ne ga ti ve   valence  c orpu s   to  flip  po la rity .  T he  auth ors   al so   e m plo ye d  the  w ork  pr esented  in  [1 5 ] ,  wh ere  patte r n  an d  punctuati on  ba sed  feat ur e s  w ere  us e d,  an d  t he  w ork  of  [ 16 ]   wh ere   le xical   and  pragm at ic  featu res  we re  us e d,   to  char act e rise  a  sarcasti c  wo r d.   H owev er,   no   ex pe rim en ts  wer e  re ported  co ncernin g  the  evaluati on  of   th e   pro po se d fr am ewo r k.   In  [1 7 ]   a  pa rsi ng - based  uns uper vised   ap pro ach  was  pro posed  directed   at   Twitt er  data.  The  syst em   adopted   tw o  a ppr oach es   to  i den ti fy  sa rcasti c  tweet s,  t he  fi rst  us i ng  pa rsi ng - based  le xic on  ge ne rati on  and  the   seco nd   us in g  inter j ect ion   word   e nr ic hm ent.   Po la rity   identific at ion   was  c onduct ed  in  a n  autom at ed  m a nn e r.  Super vised  le a rn i ng  w as  the n  us ed  to  cl assif y  senti m ent  as  neg at ive ,  posit ive  or  ne utral. Th e  pro pose d  s yst e m   was  te ste d  us i ng  tw o  set s  of  tweet s,  on e   t ha t  featur e d  t he   sarcasm   hash t ag  a nd   one  tha t  did   no t  featu re  the   sarcasm   hash ta g.   T he  best  f - s cor e  rec orde d  f or   sa rcasti c  has htag  tweet s  wa s  0. 84  usi ng  th e  le xicon   ge ne r at ion   appr oach,  an d  0.90   f or   t he  in te rj ect io n  w or d  en richm ent  appr oach,  outpe rfor m in g  res ults  obta ined   us i ng   t he   set  o f  tweets  w it ho ut t he  sa rca sti c h ashta g.   The  syst em   pr esented  i n  [1 8 ]   was  al so   direct ed  at   detect in g  the  p rese nce,  or  ot herwise,  of   sarcasm   in  so ci al   m edia  com m ent.  The  s yst e m   op erated   in  the  fo ll owi ng   m ann er:  c om m ent  acqu isi ti on ,  po st - proc essing  of   th e  acq uire d  com m ents,  co rpus  cre at ion,  featur e s  extrac ti on   an d  sel ect ion   a nd   final  c la ssific at ion .  F or   th e  eval uatio n  r ep or te d ,   tweet s  wer e  us e d  whic h  ha d  been  annotat ed  a nd   ind e xe d  acco rd i ng   t o  the  ha sh ta gs   pro du ce d  by  use rs.   T he  le xical   featur es  us e d  wer e  n - gr am s  (unigr am s  and   bigram s)  cont ai ned   in  LI W C   [19]   and   Wor dNet - Affect   [ 20 ] .  E m ot ic on s,  punc tuati on   a nd  co m m on   gro und  (u se r  re ply  an d  nam e  char act erist ic s )   wer e  use d  as  pragm at ic   featur es.  Chi - s qu a re d  fea tu re  sel ect ion   was  a pp li e d  to  identify   use fu l  feat ur es .  N a ive   Ba ye s,  Lo gisti c Regres sio n  a nd S upport  Ve ct or  Mac hin es  (S VM ) were  e m plo ye d  for  th e cla ssific at ion. It  was   fou nd   t hat  the  bin a ry  cl assifi cat ion   ou t perf or m ed  the  th re e - way  cl assifi c at ion   w he n  a n  S VM  cl assifi er  was  e m plo ye d.  A   best  accu rac y  of  0.7 8 3   was  repo rted   in  t he  c onte xt  of  pola rity   base d  cl ass ific at io n    (positi ve vers us ne gative) , a nd a n  acc ur acy   of   0.7 3 0   in  the  case o f  sa rcasti c v e rsus  neg at i ve  cl assifi cat io n.     The  syst em s  br ie fly   desc ribe d  a bove  [13] ,   [ 17 ] ,   [ 1 8 ]   us e  unsupe rv ise d  or  super vised   ap proac hes  t o  identify in g  sar cast ic   te xt  (com m entary).  The  syst em s  cl a ssifie d  te xt  as   bein g  ei the r:  po sit ive ,  ne gat ive  or   sarcasti c.  I n  th is  pap e r  so m e  of   the  id eas  pr esented  with  r espect  to  these   three  syst em s   hav e  bee n  ada pted  s o  that  a  po sit ive  or   neg at ive  se nti m ent  cl assifi cat ion   can  be  arr iv e d  at   re ga rd le ss  of   w het her   the  te xt  in cl ud es   sarcasm  o r no t.       3.   THE  PROPO SED F R AM E WORK   In   this  pa pe r,  we  pro po se  a  fr am ewo r k  to  suppo rt  SA  that  con sist s   of   six  m ai n  m od ules:  (i)  pr e processi ng   of   te xt , ( ii )  ext r act ion   of  feat ures ,  (iii )  featu re s el ect ion ,  (i v)   i niti al   senti m ent  cl assifi cat ion ,   (iv)   sarcasm   detection   an d  cl assifi cat ion ,  a nd   ( v)   fi nal   sentim ent  cl assifi c at ion .  Fig ure  1  shows  the  pro pose d  fr am ewo r k.   I ni ti al   senti m ent   cl assifi cat ion  ref e rs  to  re gula r  se ntim ent   cl asssi ficat ion   be f or e  c ons iderin g  sarcasm   detection ,  w hile  fin al   senti m ent  ref ers  t o  final  sentim ent  cl as sific at ion   afte r   perform ing   sarcasm   detect ion   a nd   cl assifi cat ion .  In   this  fr am ework,  the  m os t  crit ic al   m od ule  is  the  dete ct ion   of  sarc as m   and   cl assifi cat ion .   It  was  c onj ect ur e d  that  t he  a bili ty   of   the  propose d  work   to  ide ntify  accu ratel y  the  pr e s ence  of  sarcasm   in  tex ts  woul d  res ult  in  bette r  f inal  senti m ent  cl assifi cat ion   with  resp ect   to  init ia l  sen tim ent   cl assifi cat ion .  Detai ls  con ce r ning  eac h  of  the  ab ove  m od ules ,  with  re sp ect   to  the  pro posed  fr am ework,    are  giv e n  in  S ub - sect io ns 3 .1 to  3.6.     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mo difi ed  fra m ew or k fo r  s ar c as m  d et ect io n and cl as sif ic ation i n senti me nt .. .   ( M ohd S uhai ri Md Suh aimi n)   1177   C om m e nt P r e pr oc e s s i ng F e a t ur e   E xt r a c t i on F e a t ur e   S e l e c t i on I ni t i a l  S e nt i m e nt   C l a s s i f i c a t i on P os i t i ve ? S a r c a s m   D e t e c t i on  a nd  C l a s s i f i c a t i on   ( N e ga t i vi t y ) S a r c a s m   D e t e c t i on  a nd  C l a s s i f i c a t i on  ( P os i t i vi t y ) A c t ua l   S e nt i m e nt   C l a s s i f i c a t i on Y e s No     Figure  1.  The  fram ewo rk to  s upport  SA usi ng sa rcasm  d et ect ion  a nd class ific at ion       3.1.   Preproces sing   So ci al   m edia  te xt  c on ta ins   a   sig nificant  a m ou nt  of   noise   including:  sp el li ng   er rors,  non - sta nd a r d  words,  sty li stic  wo r ds,  short   fo rm   wo r ds   and   re petit ion s .   Cl assifi cat ion   accuracy  is  increasin gly  aff e ct ed  as  the  pr ese nce  of  no ise   inc rease s  [21] .  The  pre sence  of  noisy   te xt  al so   cause s  ' disp ersio n' ,  wh e re  sam e  fe at ur es   are  treat e d  as   dif fer e nt  feat ur es ,  wh ic h  r esults  in  poor   pe rfor m ance  w hen  buil di ng  a  cl assifi e r  [ 22] .    The  prep ro ce s sing  m od ule  e m plo ye d  in   th is  pa per  in vo l ved  to ke nizat ion,  s pell  ch ec king  a nd  sto pwo rd  rem ov al .  To ke nizat ion   break s  the  c orpus  into  w ords  a nd  sy m bo ls  s uch  as  pu nctuati ons  a nd  has hta gs   ( #) .     A  co rr es ponde nce  dicti onary   was  us e d  to  correct   m isspell ed  words.  St opw ord  rem oval   was  pe r f orm ed  to   el i m inate  m ean ing le ss  w ords.     3.2.   Feature E xt r ac tion     Th ree  cat egor ie s  of   NLP   ba sed  featu res  wer e  co ns i dered:  synta ct ic ,  pr a gm at ic  and  pr oso dic .     This  wa s  the   featur e  c om bin at ion   m echan ism   pr opos e d  in  [23]   w hich  wa s  ad opte d  beca us e  t hi s  ha d  dem on strat ed   im pr ov em ent  in  sarcasm   detect ion   in   c om par ison  with   com par at or   m echa nism s.  The  ou t pu t  of   this  m od ule  was  a  set   of   featur e  vecto r s  (one  per   te xt)  each  com pr ise d  of   Te r m   Fr equ e ncy  -   Inverse  Do c um ent Fr e qu e ncy  (TF - I D F)   values  no rm al iz ed  to  docu m ent ( te xt)  len gth .       3.2.1.   Sy n ta c tic Fe ature Ex tr ac tio n   Syntac ti c  featu res  play   an  im portant  ro le   i n  pro vid in g  i nform at ion   co ncernin g  the   synta c ti c  structu re   of  doc um ents.  In  this  pa per,  c omm on   synta ct ic   featur es   Pa r t  of  S peec h  (POS)  ta gs  wer e   us e d.   Four  gro up s   of  PO S  ta g:  N O UN,  V ERB ,  A DJECT IV E  a nd  A D VER B  w ere  sel ect ed.   T he  Pe nn  Tree ba nk   POS   [ 24]   ta gs et   was  c ho se n  t o  ta g  the  to ke ni zed  w ords .  Ea ch  of  the   ta gs   was  the n  m app ed  i nto   eac h  corres pondin g  gro up.  On ly   the  to keni zed  w ords  ass ociat ed  with  th e  four   sel ect ed   PO S  gr oups ,  a s  descr i bed   a bove ,  we re  retai n ed  i n  the  te xt.  A  w ord - ta g  pair  re presentat ion   was  us e d  to  re pr e se nt  the  synta ct ic   featur e s  as  thi s  has  been   s ho wn   t o  pro du ce  im pr ov ed  se nti m ent cla ssific at ion   pe rfor m ance com par ed  to  us in g words  or  ta gs al on e   [2 5 ] .     3.2.2.   Pra gmatic Fe at u re Ex tr act i on   Pr a gm atic  feat ur es  a re  inten ded   to  em ph as iz e  the  m eani ng   of   the  c on t ent  of   se ntenc es  that  m ay  include   sa rcas m   [2 6 ] .  Em oti cons,  ' hea vy'   punctuati on ,  ha sh ta gs  ( #)  a nd  rep eat e d  word s   are   exam ples  of  pr a gm at ic  featur es .  Punctuat ion   m ark s  ar e  con si der e d  to  be  pragm at ic   feat ur es,  instea d  of   se nt ence  segm entat or s,  because   of  th ei r  po te ntial   to  in dicat e  sar casm   [2 7 ] .  He avy  punct uatio n,   f or  exam ple  hig h  occurre nces  of   var i ou s  punct ua ti on   m ark s,  is  of te n  a n  in dic at or   of  the  pr e s ence  of  sarca s m   in  te xt  (co m m ent).   The  punct uatio n  m ark s  c onsidere d  i n  this   f ram ewo rk  we r e:   qu e sti on  m a rk s   ( ? ) ,  e xcla m at ion   m ark s  (!)  a nd  quotati on   m ark s  ('   '  and   "  ").   Has htag s  ( #)  wer e  al s o  co ns ide red   as  it   is  us ed  com m on ly   to  ind ic at e  the  pr ese nce o f  sa r casm   [2 8 ] .  The   le ng th o f  a se qu e nce o f  punc tuati on   m ark s w as  re duced  t o  a  m axi m u m   of   three  cha racte rs  to  a vo i d dispe rsion .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1 1 7 5   –   1 1 8 3   1178   3.2.3.   Pros od ic  Fe ature Ex tra c tio n   Pr oso dic  feat ur es  i nvolv e  diff e re nt  pitches,  lo udne ss,   tim ing   an d  tem po s  in  wr it in g  [2 9 ] .  In te r j ect io ns   a r e  an  e xam ple  of  pro sodic   fe at ur es.   A   li st  of  inter j ect io ns   [30]   wa s  em plo ye d  t o  c om par e  a nd   extract t he  inte rj ect io ns   from  the text.     3.3.   Feature Sel ec t ion   To  sel ect   only   the  m os t  signi ficant  featu res ,  featu re  sel ect io n  was  a ppli ed.   T o  t his  en d  Pears on' s   correla ti on  co eff ic ie nt  was   chosen   to   sup port  featur e   s el ect ion .  The   featur e s  wer e   ranke d  base d  on  the   gen e rated  co e f fici ents.  On ly  t he  to p N  featu r es w e re  us e d  f or cla ssific at io n pur po ses .     3.4.   Initial Se nt im ent  Clas si fica t ion   The  i niti al   senti m ent  cl assificati on   m od ule   cl assifi es  te xt   as  dis play ing  ei ther  po sit ive   or  ne gativ e   sentim ent.  In   the  w ork  prese nted  i n  this  pa per,  no n - li nea r   SV M  was  use d  to  ge ner at e  t he  cl assifi er  be cause  it  has  be en  s how n  to  perform   wel l  in  the  co nt ext  of   s uper vi sed  cl assifi cat ion   [1 8 ] .  T he  va riat ion   of   non - li nea r   SV M  us e d was  LibS VM  [ 31 ]   as provide d wi thin the   Wek a   [3 2 ]   data m ining w ork be nch.     3.5.   Sa rc as m  De te cti on a nd Clas sific at i on   This  m od ule  was  de rive d  f ro m   an  app r oa ch  to  detect   and   cl assify   sarcasm   rep ort ed  in   [12] .    It  has  two  s ub - processe s:  sarcasm   detect i on   a nd   cl assif ic at ion .  Fig ur e   2  sh ows  the   pr oce ss  of  sarcasm   detect ion   an d  cl assifi cat ion   of  a  giv en  te xt  after  init ia l  senti m ent  c la ssific at ion   has  bee n  perform ed.   Th e  a i m   of   t his  m od ul e  wa s  t o  ide nt ify   and  cl assify   te xts  that  con ta in   sarca s ti c  featur es .  T exts  that  ha ve   bee n  identifie d  as  po sit ive   by  t he   init ia l  sentim ent  cl assifi cat ion   will   be  furthe r  cl assifi ed  as  ei t her   posit ive  sarcasti c  (sar c ast ic   featur es  occur  in  the  te xt)  or  true  pos it ive.  Si m i la rly,   te xts  that  hav e  bee n  identi fied  as   neg at ive  by  th e  init ia l  senti ment  cl assifi cat ion   m odule  will   be  f ur the r  cl as sifie d  as  ei ther   neg at ive  sa rca sti c  or   true ne gative.       N e ga t i ve   C om m e nt P os i t i ve   C om m e nt S a r c a s t i c N on - s a r c a s t i c S a r c a s t i c N on - s a r c a s t i c N e ga t i ve   s a r c a s t i c T r ue  ne ga t i ve P os i t i ve   s a r c a s t i c T r ue  po s i t i ve     Figure  2 .  Sarca sm  d et ect ion  an d  cl assifi cat io n of senti m ent       3.6.   Act u al S entim ent Classi fica t ion   As  m entione d  i n  the   f or e goin g  sect ion s ,  sa rca sti c  con te nt  te nds  to   re verse  th e  act ual  se nti m ent  of  th e  te xts.  The refore ,  once  sarcas m   has  been   de te ct ed,   act ual  senti m ent  cl a ssific at ion   will   be  p e rfor m ed  us i ng   po la rity   flipp i ng  [3 3 ],   [3 4 ] .  T he  po la rity   flipp i ng  is  em plo ye d  t o  rev e rs e  the  i niti al   senti m ent  cl assifi cat ion  resu lt s  ba sed  on   li ng uisti c  hypotheses .  T wo   hypothese s  wer e  c on si de red   in  t his  pa per :  to  flip  a ll   te xts   identifie d  as  c on ta ini ng  sa rc asm   (p os it ive  and  ne gative   s arcasti c)  or  to   flip  only   posi ti ve  te xts  c onta inin g  sarcasm  ( posit ive sa rcasti c).     3.6.1.   Fli p  Both P os i tive Sarc astic   an d   Ne gati ve Sarc as tic   The  fir st  hypothesis  co ns ide rs   sarcasm   as  in dicat ing   s om eth in g  op po sit e  to  w hat  the  sp e aker   m eant   [6 ] ,   [ 7] .  W he n  sarcasti c  con te nt  is  us ed  in  a  po sit ive  sta tem ent,  the  sp eaker  is  act ually   say ing   so m e thin g  neg at ive ,  an d  vice  ver sa  [2 ] ,   [2 8 ] .  Ba sed  on  this  hypothe sis,  the  po la rity   of   posit ive  sarcasti c  te xt  will   be  flipp e d  t o  ne ga ti ve,   a nd  ne gat ive  sa rcasti c  te xt  will   be  flippe d  t o  po sit ive .  Figure  3(a)   shows  the   pola rit y  flip   base d on this  hy po the sis.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mo difi ed  fra m ew or k fo r  s ar c as m  d et ect io n and cl as sif ic ation i n senti me nt .. .   ( M ohd S uhai ri Md Suh aimi n)   1179                             (a)                                                                  ( b)               Figure  3 .  P olar it y fli pp in g bas ed on (a )  the  pr esence  of both   po sit ive  and  ne gative sa rcasm  ( Hy po t hesis  1)  and ( b) the  pre sence  of posit ive sa rcasm  o nl y (H yp ot hesis  2)       3.6.2.   Fli p p os i tive  s arcastic  on ly   The  sec ond hy po t hesis stat es  that sarcasm  in  negat ive stat em ent d oe s  not  al ways d el ive r t he  op po sit e  of   w hat  the   spe aker  m eant.  This  hy pothesis  was  der i ved  f r om   the  sarcas m   li ng uisti c  st ud ie s   prese nted  in   [ 8],   [9]   a nd   t he  c om pu ta ti on al   ex per im ents  repo rted  in   [ 10 ] - [ 12] .  Ba sed   on  t his  hy po t hesis,   on ly   the   pola r it y  of   po sit ive  s arcas ti c  te xt  sh ould   be  flip pe d  to  neg at ive ,  w hil st  neg at ive  sar cast ic   te xt  sh ould  rem ai n  neg at ive .   Figure  3(b )  s hows  the  polarit y fli p based  on  this sec ond hy po t hesis.       4.   E X PERI MEN TAL SET UP   AND RES UL TS   This  sect ion   de scribes  the  dataset   us ed  to  ev al uate  the  fr am ewor k  and   th e  natu re  of   the  e xp e rim ents  cond ucted; a nd  a d isc us si on of the  r es ults o bt ai ned .     4.1.   The D atase t   To  e valuate  t he   pro posed   f ra m ewo r k,  a  Ma la y  so ci al   m ed ia   dataset   wa s  us e d  [ 12] .  T he   te xts  wer e   annotat ed  by  three  hu m an  annotat ors.  T hree  annotat ions   wer e  produce d:  (i)  the  se nt i m en ts  of   the   te xts  (positi ve,   ne ga ti ve  or   ne utral) ,  (ii)  the  e xiste nce  of  sa rcasm   or   oth e rw ise   ( sarcasti c  vs .   no n - sa rcasti c),  a nd  (iii )  wh e re  sarcasm   was  co ns ide r ed  to  exist  the   po sit ivit y  and  neg at ivit y  of   the  sarcasm   (p os it ive  sarcas m   vs .  po sit ive   senti m ent ,  an d  negat ive  sarcasm   vs .  ne gative  se nti m ent).   On ly   te xts  la bele d  as  posit ive  or  neg at ive ,   and   a gr ee d  by  al l  ann otato rs  wer e  c on si der e d  in  the  ex per i m ents.  Hen ce ,  a  su bs et   of  19 70   te xts  was  de rive d  from  the o ri gina l 300 0  te xts .      4.2.   Experim en ta l  Setu p   The  ai m   of   the  e xp e rim ent   was  t o  eval uate  the  e ff ec ti ven ess  of  th e  pro posed  fra m ewo r k  i n  su pp or ti ng  se nt i m ent  analy si s.  To  ac hieve  this,  five  set s  of   e xp e rim ents   wer e  c onduct ed.   T he  first  was  to   identify   the  pe rfor m ance  of   t he  init ia l  sentim ent  analy sis  on   t he  dataset   and   featu res  us ed.   T he  sec ond  was  to  m easur e  the   pe rfor m ance  of  sarcasm   detect ion .   T he  thir d  and  f ourth   set   of   e xperim ents  wer e   co nd ucted  t o  evaluate  t he  pe rfor m ances  of   posit ive  a nd  ne gative  sa rcas m   c la ssific at ion s.  The   fi nal  s et   of   ex per im e n t  wa s   cond ucted  t o  e valuate  the   pe r form ance  of   a c tual  sentim ent  cl assifi cat ion ,  wh e re  po la rity   flipp i ng  was   use d  to   rev e rse  the  i niti al   senti m ent  of   te xts  w her e   the  prese nce  sarcasm   had   be en  detect e d.   All  exp e rim ents  were   cond ucted usi ng  10 - f old cr os s  v al i datio n  a nd  the  Wek a  Kn owle dge Fl ow  [3 5 ] .     4.2.1.   Preproces sing   The  dat aset   w as  first  to ke nized,   fo ll owe d  by   sp el lc heck i ng  a nd   sto pword  rem ov al   as  descr i bed  i n  Sub - sect io n  3.1.  T he  Ma la y  and   E ngli sh   dicti on a ries  w ere  us e d  to  c orrect  m isspell ed  w ords.   St opw ord  rem ov al  w as a pp li ed  usi ng  both Mal ay   [ 36]   an d  E ngli sh   [37]   sto pword   li sts.     4.2.2.   Feature E xt r ac tion a nd  S el ection   Durin g  the  fea ture  ext racti on  sta ge,   both  t he   or igi nal  bili ngual  dataset   an d  it s  translat io n  to  E ng li s h  wer e   co ns ide r ed.   The   reas on   was   to  pr e ser ve  the   ori gi nal  an d  tra ns la te d  featu res  from   the  te xt  that  m igh t   incl ud e  sa rcas m   in  Malay   an d/or  En glish.  The  proce ss  of  featur e  ext rac ti on   co ns ist s  of  two  m ai n  step s:  (i)   P os i t i ve   s a r c a s t i c T r ue  pos i t i ve T r ue  ne ga t i ve N e ga t i ve   s a r c a s t i c P os i t i ve N e ga t i ve   P o s i t i ve  s a rc a s t i c T ru e  p o s i t i v e T ru e  n eg a t i v e Ne g a t i v e  s a rc a s t i c P o s i t i v e N e g a t i ve   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1 1 7 5   –   1 1 8 3   1180   extracti on  of  th e  pr a gm atic  and   pros odic   (Ma la y)  featur es  f r om   the  or igi nal   bili ngual  data,   and   (ii)  tra ns la ti on   of   t he  bili ngua l  data  to  En glish  a nd   e xt racti on   of  En glish  pros od ic   a nd   s ynta ct ic   feature s.  I n  the  first   ste p,    the  pragm at ic   and  Ma la y  pro so dic  featu res  wer e  e xtracte d  from   the  pr e proces sed  ori gi nal  bili ngual  da ta set .   Four   pra gm ati c  featur es  we re  extracte d:  qu e sti on   m ark s  ( ? ) ,  ex cl am at ion   m ark s   (! ),   quotati on   m ark s     ('   '   and   "  ") ,   and   has htags   (#).   T he  Ma la y  pr oso dic  f eat ur es  wer e  i den ti fie d  usi ng  the  Ma la y  li st  of  interjecti ons .  I n  the   en d,  40   pros odic   feat ur e s  we re  e xtracte d  from   the  or i gi nal  bili ngual dat aset .  In  the   s econd   ste p,   the  or i gin al   bili ngual  dataset   was  tr anslat ed  to  E ngli sh   usi ng  G oogle  Tra ns la t e   [38] .  Alth ou gh   t he  resu lt in g  tra nsl at ion s  wer e  by  no  m eans   pe rf ect ,  t hey  were  j ud ged  to  pro du ce   translat io ns   t ha t  were   su f fici ently   accurate  t o  s upport  furthe r  a na ly sis,  bette r  t ha n  th e  tr a ns la ti on s   ob ta ine d  usi ng  Moses   or  Bi ng   [3 9 ] .  T he   En gl ish  pros od ic   fe at ur es   we re  i de ntifie d  us i ng  an  E ngli sh   li st s  of  i nter j ect io ns .   I n  t he  e nd,  a  total  of   26   pros odic   featur e s  we re   extracte d  fro m   the  translat ed  dataset .  Ne xt ,  synta ct ic   featur es  wer e  e xt racted.   Four  POS  ta g  gr oups :  N OUN,   VERB,   A D JECTI VE  a nd  ADVERB ,   we r e  extracte d  us i ng  the  Pyt hon  Natu ral   Lan gu a ge  To ol kit  (NLTK )  [ 40 ] .   Wo r d - ta g  pairs   w ere  e xtracted   to  re pr ese nt  eac h  of  the   te xts.   T he   total   nu m ber   of  sy ntact ic   featur e s  ob ta in ed  wa s  3695.  All  the  extr act ed  f eat ur es  wer e  t han   vecto rize d   an d  norm al iz ed  to  the  in div i du al   te xt  le ngths  (T F - I DF).   W it h  r espect  to   the   f eat ur e  s el ect ion ,  t he  t op  25% ,  50 %   and  75%   of  th e  featu res  were  sel ect ed  base d  on  the  Pears on ' s  co rrel at ion   c oeffici ent  r ank i ng.  Detai ls  of  t he   nu m ber   of f eat ur es  for ea ch  s et  o f   ex per im ents, a nd the  size o f  the  d at aset  in  eac h  case , a re  giv e n  in  Ta bl e 1 .       Table  1 .  T he   N um ber   of  Feat ures  Used  f or  E xp e rim entat ion   Exp eri m en t   Dataset size   % Featu re  Selectio n  size   25%   50%   75%   Fu ll   Initial sen ti m en t  cl ass if icatio n   1970   941   1883   2824   3765   Sarcas m  detectio n   Sarcas m  po sitiv ity   class if icatio n   802   514   1028   1542   2056   Sarcas m  neg ativ ity  classif icatio n   1168   686   1372   2058   2744   Actu al sen ti m en t  c lass if icatio n   1970   941   1883   2824   3765       4.3.   Experim en ta l  Results   The  ex per im ents w ere  desig ne d  to conside r  on ly  b ina ry cla ssific at ion . Av erag e F - m easur e ( F avg )  wa s   us e d  to  m easur e cla ssific at ion pe rfor m ance,  f or m ulate d  as:      =   × + × +   (1)     wh e re  F i   is  the   F - m easur e  for   cl ass  i   an d  ci   is  the  num ber   of   docum ents  in  cl ass  i ,   w hile  F j   is  the  F - m easure   for  cl ass  j   a nd  cj   is  the  num ber   of  do c um ents  in  cl ass  j .  T he   F - m easur e  ( F )   is  the  ha rm on ic   m ean  of   pr ec isi on  and recall   for  e ach class  i   a nd  j .     4.3.1.   Initial Se nt im ent Classi fica t ion   In   this  set   of  e xp e rim ent,  the  te xts  wer e  cl a ssifie d  as  ha vi ng   ei the r  posit ive  or   negat ive   senti m ent.   Table  2  s how s   the  res ults  obta ined.   The  bes t  senti m ent  cl a ssific at ion   perf or m ance  was  r ecorde d  w he n  us in g  the  top  25%  fe at ur es,  with  a n  F avg   scor e  of  0.839.  The  w ors t  was  rec ord ed  w he n  al l  fe at ur es  wer e  use d  f or   cl assifi cat ion   F avg   = 0 . 611).       Table  2 .  Re s ults o f  I niti al  Sen t i m ent Cl assifi cat ion   ( P os it ive  vs .  Ne gative )   % Featu re  Selectio n  ( FS)  si ze   25%   50%   75%   Fu ll   Exp eri m en t   Av erage F - m easu r e ( F a vg )   Initial  sen ti m en t  cl ass if icatio n   0 .83 9   0 .62 3   0 .75 4   0 .61 1       4.3.2.   Sa rc as m  De te ction   Fo r  t he  sec ond  set   of   e xp e rim ents,  the  te xts  wer e  cl assifi e d  as  bein g  ei ther   sarcasti c  or   no n - sa rcasti c.   The  best  sarca sm   detection   w as  recor ded   w he n  usi ng  the  to p  50%  of  the  f eat ur es,  with  a n  F avg   sco re  of   0. 85 2  as  show n  in  T able  3.   As  in  t he  case  of   the  resu lt s  ob ta ine d  with  res pect  to  sentim ent  classificat ion ,  sa rcasm   detect ion wit h  al l feat ur es  pr oduce d  t he wors t perfo rm ance w it h  a n  F avg   sc or e  of  0.664.       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mo difi ed  fra m ew or k fo r  s ar c as m  d et ect io n and cl as sif ic ation i n senti me nt .. .   ( M ohd S uhai ri Md Suh aimi n)   1181   Table  3 .  Re s ults o f  Sa rcasm  D et ect ion   a nd  Sa rcasm  Cl assifi c at ion   % Featu re  Selectio n  ( FS)  si ze   25%   50%   75%   Fu ll   Exp eri m en t   Av erage F - m easu r e ( F a vg )   Sarcas m  detectio n   0 .75 5   0 .85 2   0 .73 7   0 .66 4   Sarcas m  po sitiv ity   class if icatio n   0 .94 2   0 .78 7   0 .77 6   0 .76 7   Sarcas m  neg ativ ity  classif icatio n   0 .90 9   0 .79 7   0 .61 4   0 .59 3       4.3.3.   Sa rc as m  Posi t ivity a nd Ne gati vity  Cl as sifi cat i on   Table  3  al so  sh ows   the  res ults  f or   sarcas m   c la ssific at ion .  For  posit ive  sarcasm   cl assifi cat ion ,     the  te xts  wer e   cl assifi ed  as  be ing   ei the r  posit ive  sarca sti c  or   true   posit ive.  The  best  resu lt   was  agai n  rec orde d  wh e n  us i ng   th e  top   25%  of  the  featur e s,  w it h  an  F avg   scor e  of   0.942.  N egati ve  sarcas m ,   wh ere  te xts   were   cl assifi ed  as  be ing   ne gative  sa rcasti c  or   true  neg at ive ,  pro duced  a  lo wer   be st  F avg   scor e  of   0.909  com pared  to  po sit ive  sa rcas m   cl assifi cat io n.   I n  fact,  t he  ne gative  sarca s m   cl assifi cat io n  pro duced  l ower  perform ances  than   po sit ive  sarcas m   in  m os t  cas es  re gardless  of  the  num ber   of  feat ur es   us e d.  This  m ay   be  du e   to  dif ficult ie s  in   recog nizing  the  neg at ive   s arcasti c  featu r es  from   true  ne gative  te xt s  com par ed  to  posit ive  sa rcasm   cl assifi c at ion .      4.3.4.   Act u al S entim ent Classi fica t ion   The  re su lt s  of  the  act ual  senti m ent  cl assifi cat ion   are  s how n  in  Table  4.   I n  this  experim e nt,  the  te xts   wer e  cl assi fied  in  te rm s  of  posit ive  or  ne gative  se ntim ent.  Wh e n  po l arit y  flipp in g  was  a pp li ed  on  bot h  po sit ive  a nd   ne gative  sarcast ic   te xts,  the  best  F a vg   scor e  recorde d  wa s  0.899  usi ng  th e  top   25%  fea tures .   Howe ver,  the  best  F avg   resu l t  with  resp ect   to  act ual  senti m ent  cl assifi c at ion   was  rec orde d  w hen   pola rity   flipp i ng  was   a pp li ed   on ly   th e  posit ive  sa rc ast ic   te xts,  where  the   F avg   sc or es   of  0.9 05  r ecorde d   us in g  the  t op   25%  featu res.   In   m os t  cases,  the  best  perfor m ing   res ults  w ere  obta ine d  w hen   us i ng   on ly   the  top   25%  of  the   featur e s.  Wha te ver   t he  cas e,  the  act ual   sentim ent  classificat ion   i m pr ov e d  on  the  init ia l  senti m ent  cl assifi cat ion  i n  al l case s.       Table   4 .  Re s ults o f  Actual Se nt i m ent Cl assificati on   % Featu re  Selectio n  ( FS)  si ze   25%   50%   75%   Fu ll   Exp eri m en t   Av erage F - m easu r e ( F a vg )   Actu al sen ti m en t  c lass if icatio n  ( Flip  bo th  po siti v e sarc a stic &   n eg ativ e sarc astic)   0 .89 9   0 .71 5   0 .67 1   0 .66 6   Actu al  sen ti m en t  c lass if icatio n  ( Flip  po sitiv e sarc astic o n ly )   0 .90 5   0 .90 3   0 .90 3   0 .90 0       4.4.   Analysis  of R e sults   Ba sed  on  the  resu lt s  s how n  in  Tables  2,   3  and   4,   it   ca n  be  obse rv e d  th at   the  perf or m ance  of  th e   sentim ent  cl as sific at ion   wa s   i m pr oved  by  6.6%  after  c on si der i ng   s ar cast ic   te xts  (the  init ia l  senti m ent  cl assifi cat ion   pro du ce d  a   be st  F avg   of  0.839  wh il e  th e  ac tual  sentim ent  cl assifi cat ion   pro du ce d  best  F avg   of  0.905 ).         5.   CONCL US I O N   This  pap e r  ha s  prese nted  a  fr am ework  to  s upport   SA   by  util iz i ng  sarca sm   detect ion   a nd   cl assifi cat ion .  A  f ram ewo r k  com pr ise d  of  six   m od ules   is  pro pose d:  prep ro ce ssin g,  feat ur e  extr act ion,     featur e  sel ect i on,  init ia l  senti m ent  cl assifi c at ion ,  sa rcasm   detect i on   a nd  cl assifi cat ion ,   and   act ual  se nti m ent  cl assifi cat ion .   A  non - li near  SV M  was  use d  for  cl assi ficat ion   pur poses  with   res pe ct   to  the  re porte d  exp e rim ents.  Com par ison   of  SA   with out  sarcasm   detect ion   (initi al   senti m ent  classificat ion )  a gains t   cl assifi cat ion   with  sarca sm   detect ion   (actua l  senti m ent  cl a ssific at ion )  de m on strat ed  tha t  the  la tt er  pro du ce d  a   bette r  cl assifi c at ion   perform a nce.       ACKN OWLE DGE MENTS   This  w ork  wa s  su pport ed  by   Un iver sit i  Ma la ysi a  Sabah   (U MS )  thr ough  a  gr a nt  G UG0 061 - TK - 2/2016 a nd  Ar t ific ia l In te ll igence Resea rch  Un it , UM S.           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1 1 7 5   –   1 1 8 3   1182   REFERE NCE S    [1]   B.   L iu and  L .   Zh ang,   “ A surve y   o f  opini on   m ini ng   and  sen ti m ent anal y s is,”  Mini ng   text   data ,   pp.   41 5 – 463 ,  2012 .   [2]   B.   L iu,  “ Senti m e nt  an aly sis: Min i ng  opini ons,   sent iments,   and   emo ti ons ,”   Cambrid ge  Univer si t y   Pr ess,  2015.   [3]   W .   Le ila,   et   al . ,   “ How   does   iron y   aff ect  senti m ent   anal y s is  tools ? ”  Progress   in  Arti ficial   In te l ligence ,   vol .   9273,     pp.   803 – 808 ,  20 15 .   [4]   A.  Farz ind ar  an d  D.  Inkp en,  “ Natur al  L anguage  Proce ss ing  f or  Social  Medi a , ”   Morg an  &   Cl a y poo l  Publish e rs,     vol.   8 ,  2015 .   [5]   A.  Jos hi,   et al . ,   “ Autom at ic   sar cas m   det ec t ion: A  surve y , ”   arXiv P repr.  arXiv 1602 . 03426 ,   2016 .   [6]   R.   W .   Gibbs ,   “ On t he   ps y chol ing uisti cs  of   sarc asm , ”  J .   Ex p.   Psy c hol.   Gen . ,   vol /i ss ue:   115 ( 1 ) , p p .   3 ,   1986 .   [7]   R.   Gibbs,  “ Iron y   in  talk  among  f rie nds,”   Irony  in   language   and  t hought:  A  cogn itive   sc ie n ce   read er ,   R.   Gibbs  an d   H.  Colston, E ds.   London: T a y lor &  Franc is Group ,   pp .   339 – 360 ,  2 007 .   [8]   R.   J.  Kr euz   and  S.  Glucksbe rg ,   “ How   to  be  sar cas ti c:   The  ec ho ic  reminder   th eor y   of  ver ba l  ir on y , ”   J.  E xp.   Psyc ho l .   Gen. ,   vol / issue:   118 ( 4 ) ,  p p .   374 ,   1989.   [9]   S.  Atta rdo ,   “ Iron y   as  r el ev ant i na ppropria t ene ss , ”   J.   Pragmat. ,   vol / issue:   32 ( 6 ) ,   pp.   793 – 826,   2000 .   [10]   E.   Ril off ,   et   a l. ,   “ Sarc asm   as  con tra st  bet we en  a  p ositi ve  sent iment  and  negative   si tua ti on , ”  in  EM NL P  2013  -   201 3   Confe renc e  on  Empiric al  M et hods  in  Natural  Language  Proce ss ing,   Proce ed ings  of  the   Confe ren ce ,    pp.   704 – 714 ,  20 13 .   [11]   M.  Bouaz izi  an d  T.   Ohtsuki,   “ Opinion  m ini ng   in  Twit te r :  How   to  m ake   use  of  sarc asm   to  enha nce   sent ime nt   ana l y sis, ”  Proceedi ngs  of  the   20 15  IEE E/ACM  I nte rnational   Co nfe renc e  on  Advance s  in  Soci al  Net works  Anal ys is  and  Mini ng   201 5 ,   pp .   1594 – 159 7 ,  2015 .   [12]   M.  S.  Md  Suhaimin,  et   al . ,   “ Mec hani sm   for  Sarc as m   Dete ction  and  Cla ss ifi c at i o n  in  Malay   Soci al   Media,”   Adv.  Sci .   Lett. ,   vol /i ss ue:   28 ( 2 ) ,   pp .   13 88 – 1392,   2018 .   [13]   E.   Cambria ,   et   al. ,   “ The   C LSA  m odel :  A  novel   fra m ework  for  conc ept - le v el   s ent iment  an aly si s,”   Inte rnat ional  Confe renc e  on   I nte lligent Tex t P roce s sing a nd  C omputati onal   Linguisti cs ,   pp.   3 – 22 ,  2015 .   [14]   L.   Polan y i  and  A.  Za en en,   “ Co nte xtu al   va le nc e   shifte rs,”   Com puti ng  attitude   and  aff ect  in  t e xt :  Theory  and  appli cations ,   Sp ringe r, pp.   1 – 10 ,  2006 .   [15]   O.  Tsur,   et   al. ,   “ ICWSM  -   A  g rea t  c at ch y   n ame:  Sem i - supervi sed  rec ognition  of  sarc asti c  sent enc es  in  onli n e   produc t  rev i ews, ”  ICWSM  2010  -   Proce edi ngs  of   the   4th  Inte rnat ional   AA A I  Confe renc e  on  We bl ogs  and  Soci al   Me dia ,   pp.   162 – 169 ,  2010 .   [16]   R.   G .  Ibá ñe z,   e t   al. ,   “ Ide nt if y in g  sarc asm   in  Twit te r:  A  c loser   look, ”  ACL - HL T  2011  -   Proce edi ngs  of  the   49 th  Annual   M ee t ing   of  th e  Associ ati on  for  Comp utat ional  Lingui stic s:  Hum an  Language  Techn ologi es ,   vol.  2,     pp.   581 – 586 ,  20 11 .   [17]   S.  K.  Bhart i,   et  al. ,   “ Parsing - base d  sarc asm   senti m ent   rec ogn ition  in  Twit te r  dat a , ”  P roc ee di ngs  of  the   2015  IEE E /A CM  Int ernati onal  Con fe renc e  on  A dvanc es  in   S oci al  N et works   Anal ysis  and   Mini ng  2015 ,    pp.   1373 – 1380 ,  2015 .   [18]   S.  Muresan,   et   al. ,   “ Ide ntific at io n  of  nonli te ral   l ang uage   in  soci a l  m edi a:   A  ca se  stud y   on  sarc as m , ”  J.   Assoc.   In f.  Sci .   Techno l. ,   20 15.   [19]   J.  W .   Penne baker,  e t  a l. ,   “ The development and  p s y chometr ic   p ro per ties of LIW C2015, ”  UT   Fac. Wor k. ,   2015.   [20]   C.   Strapp ara v a   and  A.   Valitu tt i,  “ W ordNet   Affec t:  an  Aff ec t ive   Ext ensio n  of  W ordNet , ”  LREC ,   vol .   4,     pp.   1083 – 1086 ,  2004 .   [21]   S.  Agarwal ,   et  a l. ,   “ How   m uch  noise  is  too  m u ch:   A  stud y   in   a utomati c  te x t  c l assific a ti on, ”  Da ta  Mini ng ,   2007 .   ICDM 2007.   S event h  I EE E   Int ernati onal  Con fe re nce   on .   I EEE,   pp .   3 – 12 ,   2007 .   [22]   G.  Form an,   “ Fe a ture   se lecti on   for   te x t cl assifi ca t io n, ”  Comput .   m ethods   Fe atur.   Se l . ,   vol. 19443557 97,   2007 .   [23]   M.  S.  Md  Suhaimin,  et   al. ,   “ Natur al   La ngu age   Proce ss ing  Based  Feat ure s  for  Sarc asm   Dete ct ion :  An  Inve stiga tio n   Us ing  Bil ingual   Social  Medi a  Te xts, ”  P roce ed ing  of   the  The   8th  In te rnatio nal  Confe r enc e   on  Informatio n   Technol ogy ,   Amman,  Jordan ,   20 17.   [24]   htt ps:// ww w.l ing . upenn.edu/cour ses/Fall _2003/li ng001/pe nn_tr eebank_pos.ht m   [25]   R.   Xia  and  C.   Z ong,   “ Expl oring  the   use  of  word  rel a ti on  feature s   for  senti m ent   class ifi cation,”  Proce ed ings  of  the  23rd Int ernati on al  Conf ere nce o n  Computati onal   Linguisti cs:   Pos te rs ,   pp .   1336 – 1 344 ,  2010 .   [26]   D.  Jurafsk y ,   “ Speec h  and  l anguage  proc essing:  A n  in troduction  to   nat ura l  la ngu ag e  proc essing, ”  C omput.   Linguist.  spee ch Recognit. ,   2000 .   [27]   P.  Carva lho ,   e t  al. ,   “ Clu es  for  det e ct ing  iron y   in   user - gene r at ed  cont en ts:   Oh...!!   it ’s  ‘so  ea s y ’ ; - ) , ”   Proc ee d ing  of   the   1st   internati onal  CIKM  work shop on  Topic - s ent im en t  anal ysi s for  mas s opi ni on  -   TSA   ’09 ,  p p .   53 ,  2009 .   [28]   C.   C.   Li ebr ec ht ,   et   al. ,   “ The   per fe ct   soluti on  for  det e ct ing  sarc asm   in  twee ts# no t, ”   4th  Workshop o n  Computati onal  Approache s to   S ubje c ti v it y ,   S ent i ment  and  So ci a l Medi a  Anal ysis ,   pp.   29 – 37 ,  2013 .   [29]   D.  Bikel  and   I.   Zi touni,  “ Multi lingual  Natu ral  L angua ge   Proce ss ing  Applicati ons :  From   The or y   t o  Prac tice ,”   IB M  Press ,   2012.   [30]   htt p://gramm ar.yourdic ti o n ar y . co m /pa rts - of - spee c h/i nte r jecti ons/ lis t - of - int er je c ti on s.ht m l   [31]   C.   C.   Chang  an d  C.   J.   Li n ,   “ LI BS VM :  A  li bra r y   for   support  v e ct or  m ac h ine s, ”  ACM  Tr ans.  Int el l .   Syst .   Te chno l. ,  vol /i ss ue:   2 ( 3 ) ,  p p.   27 ,   2011 .   [32]   M .   Hall ,   e t  al. ,   “ The   W EKA  da ta   m ini ng  software :  an  upd at e , ”   ACM  SIGKD D   Ex plor.  Newsl . ,   vol /i ss ue:   11 ( 1 ) ,    pp.   10 – 18 ,   2009 .   [33]   C.   F.   Burger s,   “ Verba l iron y :   Us e  and   eff ects i n   writt en   discours e ,”   [Sl:   sn] ,   2010.   [34]   F.  Kunnem an,  et  al . ,   “ Signal ing  sar ca sm :  From   hy p erb ol e  to   has ht ag, ”   Inf.  Proc ess.  Manag. ,   vol .   51 ,     pp.   500 – 509 ,   20 15.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mo difi ed  fra m ew or k fo r  s ar c as m  d et ect io n and cl as sif ic ation i n senti me nt .. .   ( M ohd S uhai ri Md Suh aimi n)   1183   [35]   I.   H.  W it t en,   et   al . ,  “ Dat a  m ini ng:  Prac t ical  m ac hin e  l earning  tool s  an d  te chn ique s , ”   Boston:  Morgan     Kaufm ann,   2011 .   [36]   htt p://nlp.cs.n y u . edu/ GM A_file s/ resourc es/malay . stopli st   [37]   htt p://ww w.nl tk.org/book/ ch02 . h tml   [38]   htt ps:// tra nsla te. google . com   [39]   A.  Balahur  and   M.  Tur chi ,   “ Com par at ive  exp eri m ent s  using  supervise d  l ea rn ing  and  m ac h in e  tra nsl ation  for   m ult il ingual  sen t iment  an aly sis, ”  Comput.   Spe ec h   Lang. ,   vol /i ss ue:   28 ( 1 ) ,   pp.   56 – 7 5,   2014 .   [40]     S.  Bird,   et   al . ,  “ Natur al   la ngu a ge  proc essing  with  P y thon:   an aly z ing  te xt  wit h  the   nat ura l  language   tool k it , ”   O’Reil l y   M edi a ,   Inc . ,   2009.       BIOGR AP HI ES OF  A UTH ORS          Mohd  Suhairi   Md  Suhaimin  is  a  l ec tur er  of  I nform at ion  Tec hnolog y   and  Ge ner al   Stud ie s  a t  Kuching  Com muni t y   Co ll eg e,   Sara wak.   He  ha s  complet ed  postgradua t e  stud y   in  Com pute r  Scie nc e  a t  Univ ersit i  Ma lay sia   Sabah  (UM S).  His  rese arc h   intere sts  span  both   dat a   m ini ng  an d  dat a   visualizatio n.   He  cur ren tly  leads  the  proj ec t   ' S arc asm   Detect ion   and  C l assific a ti on  to  Support  Senti m ent   Ana l y s is'   fo cusing  in  b il ing ual ,   Malay   and   Engl ish .   He  h a s  expl ore d   the  pre senc e   and   implicati on   of  sar c asm   i n  senti m en t   anal y s is.       Mohd  Hana fi  A hm ad  Hija zi   is  an  As socia te   Profess or  of  Co mput er  Scie n ce   at  the   Facul t y   of   Com puti ng  and  Inform at ic s,  Univer siti   Malay sia  Sabah  in  Malay s ia.  His  rese arc h  work   addr esses  the  c hal l enge s  in   kn owledge   d iscov er y   and   data  m ini ng  to   ide n ti f y   p at t ern s  for  pre diction  on  str uct ure d  and/   or  unstruct ure d   data;  his  p art i cular  appl i ca t ion  dom ai ns  ar e  m edi c al  image  anal y s is  and  un der standi n g  and  senti m ent   ana l y sis  on  soci al   m edi a  da ta.  He  has  aut hor ed/  co - aut hor ed  m ore   th an  30  journ al s/  book  cha p t ers  and  conf er e nce   p ape rs,   m ost  of  whi ch  ar e   inde xed  b y   Sco pus  and  ISI  W eb  of  Scie nce.  He  al so  serve d  o n  the   progra m   and  orga nizing   comm i tt ee s of   n um ero us na ti ona l  and   interna ti on al   conf er enc es .       Ra y n er  Alfre d  is   an  As socia te   Profess or  of  Com p ute r  Scie n ce   a t  t he  Facul t y   of  C om puti ng  an d   Inform at ic s,  Un ive rsiti   M al a y si a  Sabah  in  Ma lay s ia.  He  l ea d s  and  def ine s  p roje c ts  aro und   knowledge   disco ver y   and  informati on  r et ri eval  th at   foc uses  on  bu il ding  sm art er   m ec han ism   tha t   ena bl es  knowledge   discove r y   i n  struct ure d  an d  unstruct ure d  dat a .   His  work   addr esses  the   cha l le ng es  r el a t ed  to  big  d at a   proble m .   He  has  aut hore d  a nd  co - aut hor ed   m ore   tha n  85  journa ls/book   ch apt ers, c onf ere n ce   p ape rs  and ed it orials.       Frans  Coene n  ha s  a  gene r al   b ac k ground  in  AI  an d  Mac hine   Lear ning  and  ove r  th e  la st  te n  y e ars  has  bee n   workin g  in  th e  f ie ld   of  Big  Dat a  Anal y t ic s  as  appl i ed  to   unusual  d at a   set s,  such  as:   (i)   gra phs  and  soc i al   n et works ,   ( ii )   ti m e  ser ie s,   (iii )  fre e   t ext   of   a ll  kinds,  ( iv)  2D  and  3D  imag es,   par ticula r l y   m e dic a l  images ,   a nd  (v)  vid eo  d a ta .   He  is  al so   i nte rest ed  in   da t a  m ini ng  ov er   enc r y pt ed  dat a .   He  cur ren tly   l eads   a  s m al l  rese a rch   group  working  on  m an y   aspe ct   of  m ac hine  le arn ing.   He  h as  som e  380  ref er ee d  publ ic a ti ons   on  Mac hine  Learni ng  and  AI  r e la t ed  rese arc h .   Frans  Coene n  i s  cur ren tly   pro fessor  withi n  t he  Depa rtment   of  Co m pute r  Scie nc e  at   the   Univer sit y   of   L i ver pool .       Evaluation Warning : The document was created with Spire.PDF for Python.