《Thumbs up? Sentiment Classification using Machine Learning Techniques》笔记

最新推荐文章于 2026-01-07 10:39:48 发布

转载最新推荐文章于 2026-01-07 10:39:48 发布 · 308 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/StevenL/p/6818318.html

文章标签：

#数据结构与算法

本文回顾了一篇2002年的研究论文，该论文对比了支持向量机(SVM)、最大熵模型及朴素贝叶斯算法在特定任务上的表现，结论表明SVM的表现更优。此外，文中还探讨了不同特征如Bi-gram与Uni-gram的效果，发现特征的存在与否比频率更为关键。

这篇论文早就读过，现在重读一遍。
这是一篇2002年的论文，它的结论如下：

算法方面：

SVM比最大熵和朴素贝叶斯好

特征方面：

Bnigram并不比Unigram好
特征的presence比frequency好
词性影响不大
词的位置影响不大

读完。
读了也是白读，talk is cheap, show me the code，我还是写不出效果好的程序。
这里写图片描述

转载于:https://www.cnblogs.com/StevenL/p/6818318.html

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

aigui1439

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

情感分类《Thumbs up？Sentiment Classification using Machine Learning Techniques》

Answer3664的博客

09-22

1788

3.Thumbs up?Sentiment Classif ication using Machine Learning Techniques

fuchengguo666的博客

10-23

593

Thumbs up?Sentiment Classif ication using Machine Learning Techniques 竖起大拇指？使用机器学习技术进行情感分类一、摘要我们认为不是按主题对文件进行分类的问题，而是按总体情感来进行的问题，例如确定评论是正面还是负面的。使用电影重新查看数据，我们发现标准的数学学习技术在本质上优于人类生产的基线。但是，我们采用的三种机器学习方法（朴素贝叶斯，最大熵分类和支持向量数学）在传统的情感分类上表现不佳。通过考察使情感分类问题更具挑战性的因素，

参与评论您还未登录，请先登录后发表或查看评论

Thumbs Up or Thumbs Down Semantic Orientation Applied to Unsupervised Classification of Reviews

03-27

Turney的关于面向语义的数据挖掘论文，非常著名

Sentiment Classification调研

Coding for Dreams

09-28

5919

Sentiment Classification调研这是近期对Sentiment Classification重要论文的初步调研，只涉及了几篇论文，总结的都是比较基础通用的方法，主要是基于Pang Bo的相关研究工作总结，下面是自己总结的大纲，是英文版的。 Baseline Algorithm • Produce a list of sentiment words byint

斯坦福大学自然语言处理第七课“情感分析（Sentiment Analysis）”

weixin_33772645的博客

01-06

1552

一、课程介绍斯坦福大学于2012年3月在Coursera启动了在线自然语言处理课程，由NLP领域大牛Dan Jurafsky 和 Chirs Manning教授授课：https://class.coursera.org/nlp/以下是本课程的学习笔记，以课程PPT/PDF为主，其他参考资料为辅，融入个人拓展、注解，抛砖引玉，欢迎大家在“我爱公开课”上一起探讨学习。课件汇总下载地址：斯坦福大学自然语...

Survey of Aspect-based Sentiment Analysis Datasets

myl1992的专栏

06-06

990

基于方面的情感分析（ABSA）是一个自然语言处理问题，需要分析用户生成的评论，以确定：a）被审查的目标实体，b）它所属的高级方面，以及c）对目标和方面表达的情感。ABSA的语料库数量众多但分散，这使得研究人员很难快速确定最适合特定ABSA子任务的语料库。本研究旨在建立一个语料库，用于对自主ABSA系统进行训练和评估。此外，我们还概述了有关各种ABSA及其子任务的主要语料库，并强调了研究人员在选择语料库时应考虑的几个语料库特征。...

Stanford NLP学习笔记：7. 情感分析（Sentiment）

weixin_34037977的博客

11-15

1438

1. 什么是情感分析（别名：观点提取，主题分析，情感挖掘。。。）应用： 1）正面VS负面的影评（影片分类问题） 2）产品/品牌评价: Google产品搜索 3）twitter情感预测股票市场行情/消费者信心 2. 目的利用机器提取人们对某人或事物的态度，从而发现潜在的问题用于改进或预测。这里我们所说的情感分析主要针对态度（attitude）。注：Scherer 情感状态类型主要可以分为...

朴素贝叶斯情感分析评分python_Stanford NLP学习笔记：7. 情感分析（Sentiment）

weixin_39947396的博客

12-09

1694

1. 什么是情感分析(别名：观点提取，主题分析，情感挖掘。。。)应用：1)正面VS负面的影评(影片分类问题)2)产品/品牌评价: Google产品搜索3)twitter情感预测股票市场行情/消费者信心2. 目的利用机器提取人们对某人或事物的态度，从而发现潜在的问题用于改进或预测。这里我们所说的情感分析主要针对态度(attitude)。注：Scherer 情感状态类型主要可以分为：情绪(emotio...

论文阅读笔记（1）---Classification of ECG signals using Machine Learning Techniques

qq_39594939的博客

01-13

3920

本文详细介绍了心电分类中的各种问题、可用于心电数据的数据库、可用于去噪的各种预处理技术、可用于心电数据分类的各种分类器以及评价分类器精度的性能指标。

Using filesort 文件排序

最新发布

ql_gome的博客

01-07

Using filesort 文件排序慢SQL

LeetCode 97. 交错字符串 - 二维DP经典题解（C语言实现）

六六哥的博客

01-03

600

给定三个字符串 s1、s2、s3，判断 s3 是否可以由 s1 和 s2 交错组成。leetcode交错的含义是：保持 s1、s2 各自字符相对顺序不变，把它们按某种顺序“插”在一起，形成 s3。leetcode例如：s1 = “aabcc”，s2 = “dbbca”，可以拆成 “aa” + “bc” + “c” 和 “dbbc” + “a”，交错后得到 “aadbbcbcac”，所以返回 true。leetcode。

【算法通关指南：数据结构与算法篇】破局二叉树！特殊结构 + 双重存储 + 遍历算法，一文吃透所有核心

小龙报的博客

01-03

1457

本文系统讲解了二叉树的基本概念、存储方式和遍历方法。首先介绍了二叉树的定义及其两种特殊形式（满二叉树和完全二叉树），然后详细阐述了顺序存储和链式存储两种方式的特点与适用场景。在遍历部分，重点讲解了深度优先遍历（先序、中序、后序）和宽度优先遍历的实现方法，并提供了完整的C++代码示例。文章最后以励志语句作结，鼓励读者坚持学习算法。全文结构清晰，内容实用，适合算法初学者快速掌握二叉树相关知识要点。（149字）

基于自步学习的逻辑回归算法研究

专业代码设计

01-05

1064

本论文研究了基于自步学习的逻辑回归算法，旨在提高分类精度和收敛速度。通过引入自适应步长调整机制，算法在多个数据集上均优于传统逻辑回归。实验结果表明，该方法在金融、医疗等领域具有广泛的应用前景，为机器学习领域提供了新的研究方向。

leetcode力扣——135.分发糖果

Xiaoyuan_he的博客

01-04

873

从左向右看： 1，1，2，3，4，1，1，1，2，1。从右向左看： 2，1，1，1，2，1，2，1，2，1。从左向右看： 1，1，2，3，4，1，1，1，2，1。从右向左看： 2，1，1，1，2，1，2，1，2，1。小朋友的分数：2，1，3，4，5，2，2，1，3，0。得到的糖果数：2，1，2，3，4，1，2，1，2，1。小朋友的分数：2，1，3，4，5，2，2，1，3，0。小朋友的分数：2，1，3，4，5，2，2，1，3，0。得到的糖果数：2，1，2，3，4，1，2，1，2，1。

DecEx-RAG：过程监督+智能剪枝，让大模型检索推理快6倍

deephub

01-05

728

DecEx-RAG将Agentic RAG建模为马尔可夫决策过程，通过决策与执行分离、动态剪枝机制，实现高效推理。相比传统方法，其搜索复杂度从指数级降至线性，提速近6倍且性能不损，显著提升开放域问答效果。

LeetCode 72. Edit Distance（编辑距离）动态规划详解

六六哥的博客

01-04

567

编辑距离是经典的动态规划问题，用于计算两个字符串之间的最小操作次数（插入、删除、替换）。核心思路是定义dp[i][j]表示将word1前i个字符转换为word2前j个字符的最小操作数。边界条件是空串转换（全插入或全删除）。状态转移分为字符相等（直接继承前状态）和不等（取删除、插入或替换中的最小值）。通过构建二维DP表，自底向上填充，最终dp[m][n]即为答案。时间复杂度O(mn)，空间复杂度O(mn)。