3. SUBJECTIVITY/ OBJECTIVITYCLASSIF

3. SUBJECTIVITY/ OBJECTIVITY
CLASSIFICATION
Subjectivity/Objectivity classification is a challenge that
should be addressed along with sentiment analysis problem.
The text pieces may or may not contain useful opinions or
comments. The subjective sentences are the relevant texts,
and the objective sentences are the irrelevant texts. So we
must sort out the sentences that are useful for us and those
which are not. The subjective sentences are those sentences
having useful information for the sentiment analysis. Such
classification is termed as subjectivity classification. Some
works have been done focusing on this particular problem.
In [1], the authors present a method of subjectivity
identification for sentiment analysis. This is important
because the irrelevant data from the reviews could be
eliminated. This eliminates the processing overheads of a
large amount of textual data. The method they propose is
using minimum cuts to produce subjective extracts from the
text. The work has been focused in the sentence level
subjectivity extraction.
A classification approach using Naive Bayesian classifier
is used in [2]. They present the results of developing
subjectivity classifiers using un-annotated texts for training.
In this work of learning Subjective and Objective sentences,
the method automatically generates training data. This is
done by a Rule-based approach. The rule-based subjective
classifier classifies a sentence as subjective if it contains two
or more strong subjective clues. In contrast, the rule-based
objective classifier looks for the absence of clues: it
classifies a sentence as objective if there are no strong
subjective clues in the current sentence, there is at most one
strong subjective clue in the previous and next sentence
combined, and at most 2 weak subjective clues in the
current, previous, and next sentence combined classifiers.
They use Subjective Precision, Subjective Recall, Subjective
F measure, Objective Precision, Objective Recall and
Objective F measure for the evaluation. They also
implement a self training procedure for the system.

Kết quả (Việt) 1:

3. CHỦ QUAN / KHÁCH QUANPHÂN LOẠIPhân loại chủ quan/khách quan là một thách thức mànên được giải quyết cùng với tình cảm phân tích vấn đề.Phần văn bản có thể hoặc có thể không chứa những ý kiến hữu ích hoặcý kiến. Các câu chủ quan là các văn bản có liên quan,và câu khách quan là văn bản không liên quan. Vì vậy chúng tôiphải sắp xếp ra các câu hữu ích cho chúng tôi và những ngườiđó là không. Các câu chủ quan là những câucó các thông tin hữu ích cho việc phân tích tình cảm. Như vậyphân loại được gọi là phân loại chủ quan. Một sốcông trình đã thực hiện tập trung vào vấn đề cụ thể này.[1], các tác giả trình bày một phương pháp của chủ quannhận dạng cho phân tích tình cảm. Điều này là quan trọngbởi vì các dữ liệu không liên quan từ những nhận xét có thểloại bỏ. Điều này giúp loại bỏ xử lý overheads của mộtlượng lớn dữ liệu văn bản. Các phương pháp mà họ đề xuất làbằng cách sử dụng cắt giảm tối thiểu để sản xuất chất chiết xuất từ chủ quan từ cácvăn bản. Các công việc đã được tập trung ở cấp độ câukhai thác chủ quan. Một cách tiếp cận phân loại bằng cách sử dụng loại ngây thơ Bayesđược sử dụng trong [2]. Họ trình bày kết quả của phát triểnMáy phân loại chủ quan bằng cách sử dụng bỏ chú thích văn bản cho đào tạo.Trong tác phẩm này của học Subjective và khách quan câu,Các phương pháp tự động tạo ra dữ liệu đào tạo. Điều này làthực hiện bởi một cách tiếp cận dựa trên quy tắc. Dựa trên quy tắc chủ quanloại phân loại một câu như chủ quan, nếu nó có chứa haihoặc thêm manh mối mạnh chủ quan. Ngược lại, các quy tắc dựa trênloại mục tiêu tìm kiếm sự vắng mặt của những đầu mối: nó phân loại một câu như là mục tiêu nếu có là không mạnh mẽchủ quan đầu mối trong câu hiện tại, có là mộtmạnh mẽ chủ quan đầu mối trong câu trước và tiếp theokết hợp, và tối đa 2 yếu chủ quan manh mối cáchiện tại, trước đây, và tiếp theo câu kết hợp máy phân loại.Họ sử dụng chính xác chủ quan, nhớ lại chủ quan, SubjectiveBiện pháp F, chính xác mục tiêu, mục tiêu thu hồi vàMục tiêu F các biện pháp đánh giá. Họ cũngthực hiện một thủ tục tự đào tạo hệ thống.

Kết quả (Việt) 2:

3. Tính chủ quan / khách quan
PHÂN
chủ quan / khách quan phân loại là một thách thức mà
phải được giải quyết cùng với vấn đề phân tích tâm lý.
Những mảnh văn bản có thể có hoặc không thể có ý kiến hay hữu
ý kiến. Các câu chủ quan là các văn bản có liên quan,
và các câu khách quan là những văn bản không thích hợp. Vì vậy, chúng ta
phải phân loại ra các câu mà có ích cho chúng ta và những người
mà không được. Các câu chủ quan là những câu
có thông tin hữu ích cho việc phân tích tâm lý. Như
phân loại được gọi là phân loại chủ quan. Một số
công trình đã được thực hiện tập trung vào vấn đề cụ thể này.
Trong [1], các tác giả trình bày một phương pháp của chủ thể
nhận dạng để phân tích tâm lý. Điều này là quan trọng
bởi vì các dữ liệu liên quan từ những nhận xét ​​có thể được
loại bỏ. Điều này giúp loại bỏ các chi phí quản lý xử lý một
lượng lớn dữ liệu văn bản. Các phương pháp họ đề xuất là
sử dụng cắt giảm tối thiểu để sản xuất các chất chiết xuất chủ quan từ các
văn bản. Sự việc này đã được tập trung ở cấp độ câu
khai thác chủ quan.
Một cách tiếp cận phân loại sử dụng Naive Bayes classifier
được sử dụng trong [2]. Họ trình bày các kết quả của việc phát triển
phân loại chủ sử dụng văn bản un-chú thích cho việc đào tạo.
Trong tác phẩm này của học câu chủ quan và khách quan,
phương pháp tự động tạo ra dữ liệu huấn luyện. Điều này được
thực hiện bằng một phương pháp tiếp cận dựa trên Rule. Các chủ quan dựa trên nguyên tắc
phân loại phân loại một câu là chủ quan nếu nó có chứa hai
hoặc nhiều đầu mối chủ quan mạnh mẽ. Ngược lại, dựa trên nguyên tắc
phân loại mục tiêu tìm kiếm sự vắng mặt của các đầu mối: đó
phân loại một câu là khách quan nếu không có mạnh mẽ
mối chủ quan trong câu hiện tại, có ít nhất một
đầu mối chủ quan mạnh mẽ trong câu trước và sau
kết hợp, và nhiều nhất là 2 đầu mối chủ yếu trong
phân loại tổng hợp hình phạt hiện nay, trước đó, và tiếp theo.
Họ sử dụng chủ quan Precision, Recall chủ quan, chủ quan
F đo, Objective Precision, Recall Mục tiêu và
biện pháp F Mục tiêu để đánh giá. Họ cũng
thực hiện một thủ tục tự đào tạo cho hệ thống.