بهبود کارایی تشخیص قطبیت پیام با استفاده از ویژگی های نحوی زبان و روش ترکیبی Bagging

درجوامع امروزی باتوجه به گسترش و محبوبیت رسانه های اجتماعی کاربرمحور تحلیل عقاید واحساسات کاربران ازاهمیت ویژه ای برخوردار است دراین مقاله به بررسی تعیین قطبیت پیامکهای توییتر بااستفاده ازروش Bagging پرداخته شده است نتایج تحقیقات انجام شده نشان داده است که جهت بهبود صحت کلاس بندی میتوان ازچندکلاسه بند مختلف و ترکیب خروجی آنها استفاده کرد درراستای این پژوهش پس ازاستخراج برخی ویژگیهای متداول به یافتن الگوریتم کلاسه بندی که برروی مجموعه داده ی موردنظر عملکرد مناسب تری باشد پرداخته شد باوجود اینکه گروه کلاسه بند میتواند به روشهای مختلف اموزش داده شود دراین مقاله ازروش Bagging برای ساختن کلاسه بندقطبی به همراه مجموعه ای ازویژگیهای متنی استفاده شده است نتیجه بدست آمده ازروش پیشنهادی براساس میانگین ماکرو f-score 67.2% است که دربرابر الگوریتم پایه SVM 1.4درصد افزایش داشته است

کلیدواژه ها:

تحلیل احساسات ، عقیده کاوی ، متن کاوی ، پردازش زبان طبیعی ، کلاس بندی متن ، ماشین بردارپشتیبان SVM ، ترکیب کلاسه بندها ، Bagging