Dec, 2014

基于生成模型和鉴别模型的电影评论情感分析集成

PDF
TL;DR本文比较了多种机器学习方法以实现情感分析，并将它们结合起来以实现最佳结果，结果表明，很容易重现，这将简化进一步发展状态的艺术，因为其他研究人员可以轻松地将他们的技术与我们的技术相结合。
sentiment analysisnatural language processingmachine learningbinary classificationgenerative language models
发现论文，激发创造
  • 使用机器学习技术的情感分类

    通过使用电影评论数据，我们发现在情感分类方面，标准机器学习技术明显优于人类基准，但是我们使用的三种机器学习方法（朴素贝叶斯，最大熵分类和支持向量机）在情感分类方面表现不如传统基于主题的分类。我们得出结论，研究情感分类问题更具挑战性的因素。

    May, 2002

  • 新闻中的情感分析

    这篇论文研究了新闻文章情感分析的不同点，并且提出了三个需要解决的子任务，同时尝试从新闻文章中分离出正负面情感并挖掘其中的实体，最终得到的实验结果表明，忽略专业领域的词汇能够在新闻观点挖掘的任务中产生更好的效果。

    Sep, 2013

  • 使用自然语言处理和不同机器学习技术进行情感分析在美国航空公司 Twitter 数据上的比较研究

    本文介绍了两种自然语言处理技术（词袋和 TF-IDF）以及各种机器学习分类算法（支持向量机，逻辑回归，多项式朴素贝叶斯，随机森林）来分析大型，不平衡和多类数据集上的情感分析。最佳方法使用支持向量机和逻辑回归的词袋技术提供 77％的准确性。

    Oct, 2021

  • 用户生成的药物评论的情感分析使用机器学习技术

    通过使用 BERT、SciBERT 和 BioBERT 等预训练语言模型，本研究提出了一种药物评论分类系统，该系统可以将用户对特定药物的评论分为积极、消极和中性等不同类别，以分析人们对不同药物的情绪反馈。

    Apr, 2024

  • 电子商务网站的情感分析和意见挖掘

    本研究的目标是解决情感极性分类方面的挑战，提出了一种广泛的技术用于分类情感，进行了完整的过程说明，同时进行了句子级别的分类和评论级别的分类，最后讨论了未来情感分析研究的计划。

    Nov, 2022

  • 多源社交媒体情感分析的比较研究

    本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

    Dec, 2022

  • 学习生成评论及发现情感

    本文探讨了字节级循环语言模型的性质和学习特征，这些特征包括对应于高级概念的分离特征和单元，其中一个单元执行情感分析，这些在非监督学习方式下得到的表述在斯坦福情感树库的二进制子集上实现了最先进的性能，同时也具有很高的数据效率。

    Apr, 2017

  • 基于最小割的主观性摘要的情感分析

    提出一种新的机器学习方法，将文本分类技术应用于文档的主观部分，通过寻找图中的最小割点，可以快速获取主观部分，大大提高交叉句子上下文约束的整合效率，以确定情感极性。

    Sep, 2004

  • 情感分析的综合评述：任务、方法和应用

    情感分析是文本挖掘中的新兴领域，通过计算地识别和分类在不同社交媒体平台上表达的观点，对于了解顾客对产品、服务和最新市场趋势的心态起着重要作用。这篇综述论文定义了情感以及在语音、图像、视频和文本等不同领域中的最新研究和发展，同时还讨论了情感分析的挑战和机遇。

    Nov, 2023

  • 使用朴素贝叶斯和 K-NN 分类器对评论数据集进行情感分析

    本文介绍了一种利用情感分析的 Web 爬取框架，以便快速发现电影评论和酒店评论的情感内容及分析，并详细讨论了两种监督式机器学习算法：K - 最近邻算法（K-NN）和朴素贝叶斯算法，并比较了它们的总体准确度、精确度和召回率。研究发现，在电影评论方面，朴素贝叶斯算法比 K-NN 算法效果好得多，但在酒店评论方面这些算法效果相对较差并且几乎相同。

    Oct, 2016