دسته‌بندی احساسی عقاید مبتنی بر یادگیری انتقالی چندمنبعی با استفاده از دسته‌بند متناظر ساختاری وزن‌دار

Abstract

دسته‌بندی احساسی عقاید زمینه‌ای در پردازش زبان طبیعی است که در سال‌های اخیر با محبوب شدن فروشگاه‌های اینترنتی و امکان درج عقیده در مورد کالا یا سرویس خریداری‌شده مورد توجه پژوهشگران قرار گرفته است. برای آموزش مدل‌های دسته‌بند، به مجموعه داده‌های برچسب‌خورده نیاز است؛ اما عدم وجود نمونه‌های برچسب‌خورده در همه دامنه‌ها و با توجه به دشواری فرایند برچسب زدن نمونه‌ها، می‌بایست به‌نوعی از نمونه‌هایی که در دامنه‌های دیگر وجود دارد برای ساخت مدل‌ها استفاده نمود. در این مقاله روشی برای دسته‌بندی احساسی عقاید به دو دسته مثبت و منفی، مبتنی بر یادگیری انتقالی چندمنبعی ارائه می‌شود. روش پیشنهادی این مقاله با استفاده از یادگیری متناظر ساختاری، اقدام به تطبیق دامنه‌های مختلف نموده و بر اساس روال تکرارشونده یک الگوریتم بوستینگ به نمونه‌های دسته‌بندی‌شده دامنه‌های مختلف، وزنی را تخصیص داده و با ادغام هر یک از دسته‌بندها، در مورد دسته هر عقیده تصمیم‌گیری می‌نماید. وزن‌دهی به نمونه‌ها برای تقویت فرایند دسته‌بندی مبنتی بر فرایند بوستینگ و ترکیب آن با یادگیری متناظر ساختاری مهم‌ترین نوآوری پژوهش جاری است. از مجموعه داده‌های آمازون برای 4 رده مختلف که هر کدام شامل 1000 نمونه مثبت و 1000 نمونه منفی هستند برای آموزش مدل پیشنهادی استفاده شده است. مقدار معیار درستی 89٫64%، 93٫97%، 92٫39% و 90٫17% به ترتیب برای رده‌های الکترونیک، دی‌وی‌دی، کتاب و آشپزخانه به دست آمده و حاکی از مؤثر بودن روش پیشنهادی در قیاس با روش‌های مشابه است.