9、印度语言意见挖掘与高实用项集挖掘算法研究

印度语言意见挖掘与高实用项集挖掘算法研究

1. 印度语言情感分析概述

在印度语言的情感分析研究中，情感极性的判断范围设定在 -5（非常负面）到 +5（非常正面）之间。具体操作时，先将提取的每个单词与极性词典单词列表进行比对，同时检查每个常用单词的后缀是否与否定后缀列表中的条目匹配。若匹配成功，则对包含否定后缀的单词的极性进行反转。每句话的极性由该句中各个单词的极性之和来计算。如果文档中正面句子占多数，那么该文档传达的意见被视为积极的；反之，如果负面句子占多数，则被视为消极的。

在多种印度语言的情感分析研究中，条件随机场（CRF）分类器是最常用的方法，特别是在容易为分类器选择特征的情况下。像孟加拉语和印地语等语言在该领域的研究相对广泛，而泰卢固语和曼尼普尔语等语言在意见挖掘方面的研究则较少。此外，那些已经拥有足够准确的处理工具（如词性标注器、词干提取器、WordNet 等）的语言，与处理工具较为原始的语言相比，在时间和资金投入上要少得多。

2. 零售市场背景与问题提出

如今，零售市场发展迅猛，影响广泛。B2C 公司为了提高业务利润，纷纷推出诱人的优惠和方案，但往往缺乏合理规划。在数据挖掘领域，知识发现可以有效助力企业实现利润增长。本文提出了一种新颖的方法，通过扩展 Apriori 算法，利用超市的交易日志，确定哪些商品适合组合销售，即提出了高实用项集挖掘算法（HUM - IS2），并引入剪枝策略以去除不必要的商品组合。

3. 相关工作

数据挖掘的应用范围不断扩大，涵盖了网络、电子学习、购物等多个领域。不同的研究人员提出了各种相关算法和概念：
- Han 等人描述了在多种数据格式和场景下的挖掘机制。