更改

跳到导航 跳到搜索
删除1字节 、 2021年8月5日 (四) 21:07
第12行: 第12行:  
情感分析的目的和挑战可以通过一些简单的例子来说明。
 
情感分析的目的和挑战可以通过一些简单的例子来说明。
   −
= = = Simple cases简单案例 = =
+
=== Simple cases简单案例 ===
    
* Coronet has the best lines of all day cruisers.
 
* Coronet has the best lines of all day cruisers.
第25行: 第25行:  
* 我不喜欢旧的游艇。
 
* 我不喜欢旧的游艇。
   −
= = More challenging examples更具挑战性的例子 = =
+
=== More challenging examples更具挑战性的例子 ===
    
* I do not dislike cabin cruisers. ([[Negation]] handling)
 
* I do not dislike cabin cruisers. ([[Negation]] handling)
第350行: 第350行:  
它指的是确定对实体的不同特征或方面表达的意见或感情,例如,手机、数码相机或银行。功能或方面是一个实体的属性或组成部分,例如,手机的屏幕,餐厅的服务,或照相机的图像质量。基于特征的情感分析的优势在于可以捕捉感兴趣对象的细微差别。不同的特征可以产生不同的情绪反应,例如,酒店可以有一个方便的地点,但平庸的食物。这个问题涉及几个子问题,例如,识别相关实体,提取它们的特征/方面,以及确定对每个特征/方面表达的意见是积极的、消极的还是中性的。特征的自动识别可以通过句法方法、主题建模或者深度学习来实现。关于这一层次的情感分析的更详细的讨论可以在刘的作品中找到。
 
它指的是确定对实体的不同特征或方面表达的意见或感情,例如,手机、数码相机或银行。功能或方面是一个实体的属性或组成部分,例如,手机的屏幕,餐厅的服务,或照相机的图像质量。基于特征的情感分析的优势在于可以捕捉感兴趣对象的细微差别。不同的特征可以产生不同的情绪反应,例如,酒店可以有一个方便的地点,但平庸的食物。这个问题涉及几个子问题,例如,识别相关实体,提取它们的特征/方面,以及确定对每个特征/方面表达的意见是积极的、消极的还是中性的。特征的自动识别可以通过句法方法、主题建模或者深度学习来实现。关于这一层次的情感分析的更详细的讨论可以在刘的作品中找到。
   −
= Methods and features方法和特征 =
+
== Methods and features方法和特征 ==
   −
Existing approaches to sentiment analysis can be grouped into three main categories: knowledge-based techniques, statistical methods, and hybrid approaches.<ref name ="“Cambria">
+
Existing approaches to sentiment analysis can be grouped into three main categories: knowledge-based techniques, statistical methods, and hybrid approaches.<ref name="“Cambria">
 
{{cite journal
 
{{cite journal
 
  | first1 = E
 
  | first1 = E
第388行: 第388行:  
  |archive-date = 2015-11-23
 
  |archive-date = 2015-11-23
 
}}
 
}}
</ref> Some knowledge bases not only list obvious affect words, but also assign arbitrary words a probable "affinity" to particular emotions.<ref name ="Stevenson">
+
</ref> Some knowledge bases not only list obvious affect words, but also assign arbitrary words a probable "affinity" to particular emotions.<ref name="Stevenson">
 
{{cite journal
 
{{cite journal
 
  | first1 = Ryan
 
  | first1 = Ryan
第408行: 第408行:  
  | doi-access = free
 
  | doi-access = free
 
  }}
 
  }}
</ref> Statistical methods leverage elements from [[machine learning]] such as [[latent semantic analysis]], [[support vector machines]], "[[bag of words]]", "[[Pointwise Mutual Information]]" for Semantic Orientation,<ref name = "Turney02">
+
</ref> Statistical methods leverage elements from [[machine learning]] such as [[latent semantic analysis]], [[support vector machines]], "[[bag of words]]", "[[Pointwise Mutual Information]]" for Semantic Orientation,<ref name="Turney02">
 
{{cite conference
 
{{cite conference
 
  | first = Peter | last = Turney
 
  | first = Peter | last = Turney
第452行: 第452行:  
  }}
 
  }}
 
</ref>
 
</ref>
 +
      第486行: 第487行:  
在情感分析中需要一个人工分析组件,因为自动化系统不能分析个人评论者或平台的历史趋势,而且在他们表达的情感中常常被错误地分类。自动化影响了大约23% 被人类正确分类的评论。然而,人们往往不同意,并认为人际协议提供了一个上限,自动情绪分类器最终可以达到。
 
在情感分析中需要一个人工分析组件,因为自动化系统不能分析个人评论者或平台的历史趋势,而且在他们表达的情感中常常被错误地分类。自动化影响了大约23% 被人类正确分类的评论。然而,人们往往不同意,并认为人际协议提供了一个上限,自动情绪分类器最终可以达到。
   −
= Evaluation 评估 =
+
== Evaluation 评估 ==
    
The accuracy of a sentiment analysis system is, in principle, how well it agrees with human judgments. This is usually measured by variant measures based on [[precision and recall]] over the two target categories of negative and positive texts. However, according to research human raters typically only agree about 80%<ref>
 
The accuracy of a sentiment analysis system is, in principle, how well it agrees with human judgments. This is usually measured by variant measures based on [[precision and recall]] over the two target categories of negative and positive texts. However, according to research human raters typically only agree about 80%<ref>
第502行: 第503行:  
  }}
 
  }}
 
</ref>
 
</ref>
 +
     
54

个编辑

导航菜单