دسته بندی احساسی عقاید مبتنی بر یادگیری انتقالی چندمنبعی با استفاده از دسته بند متناظر ساختاری وزن دار

دسته بندی احساسی عقاید زمینه ای در پردازش زبان طبیعی است که در سال های اخیر با محبوب شدن فروشگاه های اینترنتی و امکان درج عقیده در مورد کالا یا سرویس خریداری شده مورد توجه پژوهشگران قرار گرفته است. برای آموزش مدل های دسته بند، به مجموعه داده های برچسب خورده نیاز است؛ اما عدم وجود نمونه های برچسب خورده در همه دامنه ها و با توجه به دشواری فرایند برچسب زدن نمونه ها، می بایست به نوعی از نمونه هایی که در دامنه های دیگر وجود دارد برای ساخت مدل ها استفاده نمود. در این مقاله روشی برای دسته بندی احساسی عقاید به دو دسته مثبت و منفی، مبتنی بر یادگیری انتقالی چندمنبعی ارائه می شود. روش پیشنهادی این مقاله با استفاده از یادگیری متناظر ساختاری، اقدام به تطبیق دامنه های مختلف نموده و بر اساس روال تکرارشونده یک الگوریتم بوستینگ به نمونه های دسته بندی شده دامنه های مختلف، وزنی را تخصیص داده و با ادغام هر یک از دسته بندها، در مورد دسته هر عقیده تصمیم گیری می نماید. وزن دهی به نمونه ها برای تقویت فرایند دسته بندی مبنتی بر فرایند بوستینگ و ترکیب آن با یادگیری متناظر ساختاری مهم ترین نوآوری پژوهش جاری است. از مجموعه داده های آمازون برای ۴ رده مختلف که هر کدام شامل ۱۰۰۰ نمونه مثبت و ۱۰۰۰ نمونه منفی هستند برای آموزش مدل پیشنهادی استفاده شده است. مقدار معیار درستی ۸۹٫۶۴%، ۹۳٫۹۷%، ۹۲٫۳۹% و ۹۰٫۱۷% به ترتیب برای رده های الکترونیک، دی وی دی، کتاب و آشپزخانه به دست آمده و حاکی از موثر بودن روش پیشنهادی در قیاس با روش های مشابه است.

کلیدواژه ها:

دسته بندی احساسی عقاید ، یادگیری انتقالی ، یادگیری متناظر ساختاری ، چندمنبعی ، الگوریتم بوستینگ