May, 2022

基于当地餐厅评论的乌兹别克情感分析

PDF
TL;DR本文针对低资源约束下的乌兹别克语收集餐厅评论数据，并通过使用不同的技术，从基于逻辑回归模型，支持向量机，甚至是循环神经网络和卷积神经网络等深度学习模型进行评估的方式，提供了一些进一步的分析。 实验结果表明，在进行词干提取等预处理步骤后，该系统的精度提高，最终在最佳模型中达到 91％的精度结果。
发现论文，激发创造
  • 乌兹别克语文本分类数据集和分析

    本研究分析了多标签新闻分类任务的数据集创建步骤和评估技术，提供一个收集自十个不同新闻和出版网站的 15 类新闻、出版和法律文本的新文本分类优范，研究比较了从传统的词袋模型到深度学习架构的不同模型，实验结果显示 RNN 和 CNN 模型优于基于规则的模型，最佳性能 BERTbek 模型，为乌兹别克文本分类的进一步研究打下了基础。

    Feb, 2023

  • 基于机器学习方法的土耳其情感分析：在线食品订单网站评论应用

    使用 Yemek Sepeti 的数据和其变体，采用多种机器学习算法，结合多种自然语言处理方法，旨在达到最高的准确率，并优化算法的参数，训练得到的模型可用于无标签数据的客户满意度测量。本研究中应用的三种自然语言处理方法能够使大部分模型的准确率提高约 5%。

    Jan, 2022

  • 乌尔都语音与文本情感分析器

    本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

    Jul, 2022

  • BanglaBook：基于图书评论的大规模孟加拉情感分析数据集

    本研究旨在解决对于孟加拉语资源与跨领域适应性缺乏研究的限制，因此提出一个大规模的孟加拉语电子书评论数据集， 使用各种机器学习模型分析数据，发现预训练模型比手工特征模型具有更高的性能，同时进行错误分析以提供关于在孟加拉语等欠资源语言中常见的分类错误的见解。

    May, 2023

  • 基于深度学习的波斯语情感分析

    我们引入和实现了一个基于混合深度学习的模型，用于对 Digikala Online 零售网站的客户评论数据进行情感分析，采用了多种深度学习网络和正则化技术作为分类器。最终，我们的混合方法在三个情感类别（积极，消极，中立）上实现了出色的性能，F1 分数达到了 78.3。

    Mar, 2024

  • 使用机器和深度学习算法对孟加拉美食评论进行情感极性分析

    利用 1484 个在线评论的数据集，作者使用深度学习和机器学习技术中的逻辑回归算法，确定了预测食物质量的最准确方法。该研究提供了有价值的洞察力，帮助用户决定是否订购食物。

    May, 2024

  • 多语言情感分析：一种基于循环神经网络的有限数据框架

    该研究旨在解决情感分析在不同语言中的多种语言依赖性问题，通过使用递归神经网络训练英文评论以建立一个主要用于英语的情感分析模型，并在俄语、西班牙语、土耳其语和荷兰语等其他语言中重复使用此模型来评估情绪，结果表明该方法在多语言情感分析中表现出色。

    Jun, 2018

  • 波斯语情感分析：算法、方法和数据集综述

    本文回顾近年来关于波斯语情感分析的文章，分析了 40 种方法，包括使用机器学习和深度学习的转换器和神经网络，评估了这些方法对数据集的准确性，列出了 2018 至 2022 年的数据集和其详细信息。

    Nov, 2022

  • 低资源情感分析的迁移学习

    本文描述了对库尔德语数据的情感分析数据集的收集和注释，并探讨了几种经典的机器学习和神经网络技术以及数据增强的方法。我们证明了数据增强可以在难度较大的情况下实现高的 F1 分数和准确性。

    Apr, 2023

  • 揭示影响情感分析中判断变异的因素：自然语言处理和统计学

    通过分析西班牙语的 TripAdvisor 评论，本研究探讨了影响众包极性判断变异的三个重要因素：词性、情感词以及中性词。研究结果表明，单词标题中的形容词倾向于导致较低的判断变异，情感词和中性词也对判断变异起到了一定的影响。然而，这些影响在更长的标题中无法复现，这暗示更长的标题并不适合用来测试单词的歧义性。这项实证研究为研究人员提供了有价值的深入了解影响单词极性变异的因素，为自然语言处理从业者利用西班牙语数据进行极性判断和预测的研究奠定了基础。

    May, 2024