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

最新推荐文章于 2019-10-10 09:45:27 发布
原创 最新推荐文章于 2019-10-10 09:45:27 发布 · 2.6k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文回顾了一篇2002年的研究论文，该论文通过实验对比了几种常见算法的表现，包括支持向量机(SVM)、最大熵模型和朴素贝叶斯。研究发现，在算法效果上SVM优于其它两种算法；在特征选择上，使用bigram并不比unigram更有效；特征的存在与否比其频率更能影响分类效果；词性及位置对分类效果的影响较小。

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

情感分类《Thumbs up？Sentiment Classification using Machine Learning Techniques》
Answer3664的博客
09-22 1788
相关背景： 这篇论文发表于2002，那时大量的文本分类研究都是对文章的主题分类，例如判断一篇文章是体育类还是财经类。然而随着在线评论的网站大肆兴起，为了提供更言简意赅的信息，就需要判断人们针对某件事发表言论的是肯定的还是否定的，即情感分类。 当前研究： 传统的对文章进行情感分类的做法有： 使用统计学的方法判断文章的来源：例如考虑文章的作者，出版商以及作者所处的阶层。 一个相关的领域是确定...
3.Thumbs up?Sentiment Classif ication using Machine Learning Techniques
fuchengguo666的博客
10-23 594
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，
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 5920
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）”
热门推荐
Erli11的专栏
04-17 2万+
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
情感分类《Thumbs Up or Thumbs Down Semantic Orientation Applied to Unsupervised Classification ofReviews》
Answer3664的博客
09-25 1142
Motivation: 在淘宝上买东西时往往会看一下其他人的发布的评价，一条一条看可能很浪费时间。因此本文旨在实现一个自动对评价信息进行分类的算法。 当前研究： 以往预测语义指向都是使用句子中出现的形容词，没有考虑副词或短语的情况（Hztzicassiliglou et al 1997）。或者需要人工手段判断形容词是积极词汇还是消极词汇。有的仅仅给出文档的主题信息，没有挖掘文章的方向（...
电影评论情感分析：数据加载、分析与预处理
# 电影评论情感分析：数据加载、分析与预处理 ## 1. 情感分析任务概述 情感分析旨在检测电影评论中的积极和消极情感，这与之前... Sentiment Classification using Machine Learning Techniques》首次提出了机器学习方
Network Traffic Classification Using Correlation Information（基于关联信息的网络流分类）总结
qq_30818779的博客
10-10 610
一.摘要： 1）NN（最邻近）方法优点（优点：无需训练过程，不存在参数过拟合。缺点：所需数据量大） 2）提出一种新的非参数化的流分类方法 3）通过将相关信息加入到分类过程中，提高性能 4）在极少的训练样本情况下也能显著改善业务分类性能 二.背景： 1.基于流的统计特征流分类问题尚未得到解决 2.NN更适合于当前复杂网络环境下的流量分类 3.本文贡献： 1）提出一种非参数方法，结合流量的相关性，以改...
有关情感分析的研究总结（转）
andyliuxs的专栏
05-20 1122
这个分类只是一个很粗糙的分类，并且截止到今年5月份，此后没有继续更新。论文包含的也不是很全，但是以小见多未必是一件坏事！ 1 Topic modeling for sentiment analysis1.1 Unsupervised aspect extraction [25]1.2 Weakly supervised aspect extraction [4, 16, 17, 24, 1, 1...
基于统计的分词技术
寂寞灵魂
11-30 8878
-   1. N元文法模型 1.1 N元文法介绍 基于统计的方法理解一句话，就是要从一句话的每个位置全部候选字中选择一个最可能的句子，我们假定一个字只与前面的N-1个字有关，若没有N-1个音就补以空音。这种N-1阶的马尔可夫模型，在语音理解中又特别地被称为N元文法模型(N-gram Model)。     N元统计计算语言模型的思想是：一个单词的出现与其上下文环境中出现的单词序列密切
中文词语自动纠错_编辑距离
寂寞灵魂
12-31 6271
idea from here这是一篇使用编辑距离对英文词语就行简单纠错的文章。code:import re from collections import Counterdef words(text): return re.findall(r'\w+', text.lower())WORDS = Counter(words(open('big.txt').read()))def P(word, N=
《TextRank: Bringing Order into Texts》
寂寞灵魂
03-24 2849
摘要 TextRank是一个图排序模型，还是一个非监督方法。可用于关键字提取和短语提取。 TextRank模型 TextRank基于全图，递归获取全局信息，来决定每个顶点的重要性。 其中，d是阻尼系数，通常取0.85。（论文Brin and Page，1998）。 TextRank算法运行结束后，每个顶点的最终取值与初始值得选择是无关的。初始值得选择只会影响算法迭代到收敛的次数。
结巴分词流程图
寂寞灵魂
09-19 2803
HanLP里使用DAT存取字典的方法
寂寞灵魂
03-28 1748
CoreBiGramTableDictionary.java和CoreDictionary.java结构思路 词典里文件的格式：wordA@wordB     frequency CoreBiGramTableDictionary.java文件用一个TreeMap>来读取词典。用一个名为pair的int型数组来存储。因为一个wordA可能对应有多个wordB，所以用一个名为st
《A Tutorial on Automated Text Categorisation》NOTE
寂寞灵魂
04-13 1685
文档分类可以被看做是一个把{0， 1}中的值分配给决策矩阵的任务。 以种类为核心的分类方法（category-pivotedcategorisation CPC）和以文档为核心(document-pivotedcategorisatiion DPC)的分类方法。CPC比DPC用的更多。 文档分类的应用： 1.    信息获取中的自动索引 2.    文档管理 3.    文档过滤
HMM Part-of-Speech Tagging
寂寞灵魂
12-09 1102
HMM Part-of-Speech Tagging A HMM is like this: Q=q1q2....qN A set of N status A=a1a2...an1...ann A transition probability matrix A, each aij representing the probability
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值