brand-transition(ブランドの変遷)
SVMで極性評価した単語をもちいて、声優のポジティブネスをniconicoニュースコーパスを利用して、時系列的に表現します
時系列的な変遷を分析することで、バズの検知や、話題、炎上などをシステム的にキャッチアップしやすくなります
もともとの起草
これは、もともともブランドの毀損などを評価しうるものとして、prophetなどの系列予想システムと連結させることで、急激なブランド毀損（炎上）などを検知して、炎上に対して適切な対応をとることにより、ブランドイメージを守ろうとするものでした(これは個人研究でやっていたのですが、３ヶ月ほど前にいろいろなところに提案しましたが、どこにも引き取ってもらえてないので、いくつか再スクラッチして自分の所有しているデータセットに変換し、公開ナレッジ化します)
Amazon, RakutenなどのレビューをコーパスにSVMなどで大規模極性辞書を作成する
もともとブランドのネガティブさ、ポジティブさというのはどのように評価すればいいのかわかりません。
この時、SVMなどをレビュー情報（星の数）などを教師データに、極性を重んじた学習の分割が可能になります
星の数を1,2,3個をネガティブとして、5個をポジティブとすると、非常にそれらしい結果が得ることができます。
学習した結果のウェイト
negative度が高いもの
売り手 -4.393270938125656 ガッカリ -3.947897992103171 がっかり -3.648103587594949 残念 -3.130127382290406 致命 -3.112032623756082 期待はずれ -3.083929660401355 返品 -2.948516584384151 灰皿 -2.87787780959521 ３つ -2.783511547585251 駄作 -2.771137686778778 物足りなかっ -2.663694159049179 最悪 -2.655338531812268 うーん -2.499197140760456 二度と -2.480062770645911 意味不明 -2.420151065200296 いまいち -2.419859090879487 失せ -2.41635935742869 つまらない -2.404018144393537 単調 -2.368271765218191 堀江 -2.34675269334997 つまらなかっ -2.316511096716675 タートル -2.288030642964168 イマイチ -2.27754859957102 目新しい -2.269002906892812 まずい -2.23071763111786 欠ける -2.222289341852733 ...
positive度が高いもの
お買い得 1.987645060840108 最高傑作 1.990702627997584 別格 2.011164421643425 目からウロコ 2.014549379784212 これ程 2.019119980229243 杞憂 2.026934292869131 戻れ 2.052378639149482 オジさん 2.061753308187434 痛快 2.061960603545156 欠か 2.087942969787786 叩け 2.08933 2.130187229517098 pop 2.1307765382222862 病みつき 2.142924963400594 憎め 2.160722430925575 洋楽 2.169574554504112 強いて 2.224321728820268 バイブル 2.229368722596254 絶妙 2.245596441611436 従う 2.254309352677592 五つ 2.255604793487576 待ち遠しい 2.25806614954727 逸品 2.265821501069568 最高 2.289466171874273 傑作 2.293924930835376 サウンドトラック 2.295214513832636 是非 2.311342110589227 半信半疑 2.39707658523505 ガル2.661651342883942922 R&B 2.6851915989280470909009 一括 2.730196185564076 リッツ 2.766706018272894 大正解 2.874333983897774 手放せ 2.948887203551322 必読 3.012749694663035 セレクトショップ 3.050995942436786 ５つ 3.081741024496506 秀逸 3.229761176207314 ...
このようにそれらしい結果が得られます
データセットをDropboxで公開していますので必要ならばご利用ください（商用利用は法的に望ましくないです）。
ある名詞（人名）が含まれているドキュメントが含まれているドキュメントのネガポジをその語の含まれている文脈の意味とする
仮説ベースで、ヒューリスティックにうまくいく方法ですが、このようにすることで、ドキュメントの極性と、ドキュメントに含まれる単語の紐付けを行うことができます
時系列的にドキュメントを並べて、ある人名のポジティブ度をSVMで作成した重みを利用して時系列順に並べる
niconicoニュースのコーパスは、毎日、ある程度更新されており、ライセンスの関係かわかりませんか、結構昔に遡れます（新聞社は多くの場合、過去に遡ることができません）
そのため、コーパスを日時の粒度でまとめて、並べ直して、その時のniconicoニュースのコーパスを利用すると、下記の図にすることができます。
SVMでレビュー情報を学習した単語に付与される重み情報から、ドキュメントのスコアを算出します（強調的に状態が見えるようにいくつかヒューリスティックにしてあります）
実験結果
100日以上、話題にされている声優でかつ、私がわかる声優さんが含まれるニュース記事の極性を判定して、sigmoidにかける前の重みで、重みのリストを手動でいくつか編集した物を用いて、日付順で極性のスコアの変遷を見ていきます。
声優を題材としたのは、単純に、niconicoニュースがオタクよりのコンテンツが強いからであって、それ以上の他意はございません
単純に日々のニュースでポジティブに紹介されたようなことがあると、グラフ的に跳ねる現象になり、なんらかの異常値検知システムにて自動化もできそうです
コードとオペレーション
niconico newsなどのコーパスは各自でご用意ください
(スクレイパーもありますが、1secのsleepを入れていますが、そもそもどの程度許容されるものなのかよくわかっていません)
レビュー情報をパース
$ python3 10-scan-reviews.py
liblinear(sigmoid)で学習したウェイトを分析して、単語の重み付きファイルを構築する
$ python3 20-scan-weights.py
niconico newsを時系列で処理する
$ python3 30-news-time-series.py
声優名が含まれるコーパスを重み付き単語ファイルで評価
$ python3 40-actor-time-series-polarity.py
各々の声優名のデータを取り出す
$ python3 50-data-pick.py
結果
このように、時系列データして扱うと、ところどころ、ポジティブさみたいなものが跳ねるような事象を観測することができて、プラスの意味での炎上（ただの話題ですが）を観測したりアラートを流すことができたりしそうです。
声優統計みたいな感じになりましたが、他意はございません。niconicoニュースとオタク関連の記事の相性がよかったので題材をこのように定義しました。