توضیحات
The objective of this monograph is to improve the performance of the sentiment analysis model by incorporating the semantic, syntactic and common-sense knowledge. This book proposes a novel semantic concept extraction approach that uses dependency relations between words to extract the features from the text. Proposed approach combines the semantic and common-sense knowledge for the better understanding of the text. In addition, the book aims to extract prominent features from the unstructured text by eliminating the noisy, irrelevant and redundant features. Readers will also discover a proposed method for efficient dimensionality reduction to alleviate the data sparseness problem being faced by machine learning model.
Authors pay attention to the four main findings of the book :
-Performance of the sentiment analysis can be improved by reducing the redundancy among the features. Experimental results show that minimum Redundancy Maximum Relevance (mRMR) feature selection technique improves the performance of the sentiment analysis by eliminating the redundant features.
– Boolean Multinomial Naive Bayes (BMNB) machine learning algorithm with mRMR feature selection technique performs better than Support Vector Machine (SVM) classifier for sentiment analysis.
– The problem of data sparseness is alleviated by semantic clustering of features, which in turn improves the performance of the sentiment analysis.
– Semantic relations among the words in the text have useful cues for sentiment analysis. Common-sense knowledge in form of ConceptNet ontology acquires knowledge, which provides a better understanding of the text that improves the performance of the sentiment analysis.
————————————————————–
ترجمه ماشینی :
هدف این تک نگاری بهبود عملکرد مدل تحلیل احساسات با ترکیب دانش معنایی، نحوی و عقل سلیم است. این کتاب یک رویکرد جدید استخراج مفهوم معنایی را پیشنهاد میکند که از روابط وابستگی بین کلمات برای استخراج ویژگیها از متن استفاده میکند. رویکرد پیشنهادی دانش معنایی و عقل سلیم را برای درک بهتر متن ترکیب میکند. علاوه بر این، هدف کتاب استخراج ویژگی های برجسته از متن بدون ساختار با حذف ویژگی های نویز، نامربوط و زائد است. خوانندگان همچنین یک روش پیشنهادی برای کاهش ابعاد کارآمد کشف خواهند کرد تا مشکل پراکندگی دادهها را که مدل یادگیری ماشین با آن مواجه است، کاهش دهد.
نویسندگان به چهار یافته اصلی کتاب توجه دارند:
-عملکرد تجزیه و تحلیل احساسات را می توان با کاهش افزونگی در بین ویژگی ها بهبود بخشید. نتایج تجربی نشان میدهد که تکنیک انتخاب ویژگی حداقل افزونگی حداکثر ربط (mRMR) با حذف ویژگیهای اضافی، عملکرد تحلیل احساسات را بهبود میبخشد. طبقهبندیکننده ماشین برداری (SVM) برای تحلیل احساسات.
– مشکل پراکندگی دادهها با خوشهبندی معنایی ویژگیها کاهش مییابد، که به نوبه خود عملکرد تحلیل احساسات را بهبود میبخشد.
– روابط معنایی بین کلمات موجود در متن نشانه های مفیدی برای تحلیل احساسات دارند. دانش عقل سلیم در قالب هستیشناسی ConceptNet دانشی را به دست میآورد که درک بهتری از متن ارائه میدهد که عملکرد تحلیل احساسات را بهبود میبخشد.
tag : دانلود کتاب استخراج ویژگی برجسته برای تجزیه و تحلیل احساسات , Download استخراج ویژگی برجسته برای تجزیه و تحلیل احساسات , دانلود استخراج ویژگی برجسته برای تجزیه و تحلیل احساسات , Download Prominent Feature Extraction for Sentiment Analysis Book , استخراج ویژگی برجسته برای تجزیه و تحلیل احساسات دانلود , buy استخراج ویژگی برجسته برای تجزیه و تحلیل احساسات , خرید کتاب استخراج ویژگی برجسته برای تجزیه و تحلیل احساسات , دانلود کتاب Prominent Feature Extraction for Sentiment Analysis , کتاب Prominent Feature Extraction for Sentiment Analysis , دانلود Prominent Feature Extraction for Sentiment Analysis , خرید Prominent Feature Extraction for Sentiment Analysis , خرید کتاب Prominent Feature Extraction for Sentiment Analysis ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.