4.1.3. Meta classifiersIn many case

4.1.3. Meta classifiers
In many cases, the researchers use one kind or more of classi-
fiers to test their work. One of these articles is the work proposed
by Lane and Clarke [46]. They presented a ML
approach to solve the problem of locating documents carrying
positive or negative favorability within media analysis. The
imbalance in the distribution of positive and negative samples,
changes in the documents over time, and effective training and
evaluation procedures for the models are the challenges they
faced to reach their goal. They worked on three data sets generated by a media-analysis company. They classified documents
in two ways: detecting the presence of favorability, and
assessing negative vs. positive favorability. They have used five
different types of features to create the data sets from the raw
text. They tested many classifiers to find the best one which are
(SVM, K-nearest neighbor, NB, BN, DT, a Rule learner and
other). They showed that balancing the class distribution in
training data can be beneficial in improving performance,
but NB can be adversely affected.
Applying ML algorithms on streaming data from Twitter
was investigated by Rui and Liu [56]. In their work, they were
investigating whether and how twitter word of mouth (WOM)
affects movie sales by estimating a dynamic panel data model.
They used NB and SVM for classification purposes. Their
main contribution was classifying the tweets putting into consideration
the unique characteristics of tweets. They distinguished
between the pre-consumer opinion (those have not
bought the product yet) and post-consumer opinion (those
bought the product). They worked on the benchmark movie
reviews and twitter data. They have collected Twitter WOM
data using Twitter API and movie sales data from BoxOfficeMojo.com.
Their results suggest that the effect of
WOM on product sales from Twitter users with more followers
is significantly larger than that from Twitter users with fewer
followers. They found that the effect of pre-consumption
WOM on movie sales is larger than that of post-consumption
WOM.
Another article compared many classifiers after applying a
statistically Markov Models based classifier. This was to capture
the dependencies among words and provide a vocabulary
that enhanced the predictive performance of several popular
classifiers. This was presented by Bai [15] who has presented
a two-stage prediction algorithm. In the first stage, his classi-
fier learned conditional dependencies among the words and
encoded them into a Markov Blanket Directed Acyclic Graph
for the sentiment variable. In the second stage, he used a metaheuristic
strategy to fine-tune their algorithm to yield a higher
cross-validated accuracy. He has worked on two collections of
online movie reviews from IMDB and three collections of
online news then compared his algorithm with SVM, NB,
ME and others. He illustrated that his method was able to
identify a parsimonious set of predictive features and obtained
better prediction results about sentiment orientations, compared
to other methods. His results suggested that sentiments
are captured by conditional dependencies among words as well
as by keywords or high-frequency words. The complexity of
his model is linear in the number of samples.
Supervised and unsupervised approaches can be combined
together. This was done by Valdivia and Ca´mara [54]. They
proposed the use of meta-classifiers in order to develop a
polarity classification system. They worked on a Spanish corpus
of film reviews along with its parallel corpus translated
into English (MCE). First, they generated two individual models
using these two corpora then applying machine learning
algorithms (SVM, NB, C4.5 and other). Second, they integrated
SentiWordNet sentiment corpus into the English corpus
generating a new unsupervised model using semantic orientation
approach. Third, they combine the three systems using a
meta-classifier. Their results outperformed the results of using
individual corpus and showed that their approach could be
considered a good strategy for polarity classification when
parallel corpora are available.
ML classifiers are used by Walker and Anand [44] to classify
stance. Stance is defined as an overall position held by a
person towards an object, idea or position [84]. Stance is similar
to a point of view or perspective, it can be seen as identifying
the ‘‘side’’ that a speaker is on, e.g. for or against
political decisions. Walker and Anand [44] have classified
stance that people hold and applied this on political debates.
They utilized 104 two-sided debates from convinceme.net for
14 different debate topics and tried to identify the stance or
attitude of the speakers. Their main target was to determine
the potential contribution to debate side classification performance
of contextual dialogue features. The main effect for
context is when comparing their results with no context to
those with context, where only 5 feature-topic pairs show a
decrease from no context to context. They used SVM, NB
and a rule-based classifier for classification purpose. They
achieved debate-side classification accuracies, on a per topic
basis, higher than the unigram baselines when using sentiment,
subjectivity, dependency and dialogic features.

Kết quả (Việt) 1:

4.1.3. Máy phân loại MetaTrong nhiều trường hợp, các nhà nghiên cứu sử dụng một loại hoặc nhiều cơ-fiers để kiểm tra công việc của họ. Một trong những bài viết này là các công việc được đề xuấtbởi Lane và Clarke [46]. Họ trình bày một MLcách tiếp cận để giải quyết vấn đề của việc tìm tài liệu thực hiệntích cực hay tiêu cực favorability trong phương tiện truyền thông phân tích. Cácsự mất cân bằng trong sự phân bố của tích cực và tiêu cực mẫu,những thay đổi trong các tài liệu qua thời gian, và có hiệu quả đào tạo vàđánh giá thủ tục cho các mô hình là những thách thức họphải đối mặt để đạt được mục tiêu của họ. Họ làm việc trên ba bộ dữ liệu được tạo ra bởi một công ty phân tích phương tiện truyền thông. Họ phân loại tài liệutheo hai cách: phát hiện sự hiện diện của favorability, vàđánh giá tiêu cực vs favorability tích cực. Họ đã sử dụng nămCác loại khác nhau của các tính năng để tạo ra các bộ dữ liệu từ các nguyênvăn bản. Họ kiểm tra máy phân loại nhiều để tìm tốt nhất(SVM, K, gần nhất với hàng xóm, NB, BN, DT, một người học quy tắc vàkhác). Họ đã chỉ ra rằng cân bằng phân phối lớp trongđào tạo dữ liệu có thể mang lại lợi ích trong việc cải thiện hiệu suất,nhưng NB có thể bị ảnh hưởng bất lợi.Áp dụng thuật toán ML trên streaming các dữ liệu từ Twitterđược điều tra bởi Rui và lưu [56]. Trong công việc của họ, họ đãđiều tra hay không và làm thế nào twitter miệng (WOM)ảnh hưởng đến bán hàng phim bởi ước tính một mô hình dữ liệu bảng năng động.Họ sử dụng NB và SVM cho mục đích phân loại. Của họđóng góp chính phân loại các tweets đưa vào xem xétCác đặc tính độc đáo của tweets. Họ phân biệtgiữa ý kiến trước khi người tiêu dùng (những người đã khôngmua các sản phẩm được nêu ra) và ý kiến người tiêu dùng (những ngườimua các sản phẩm). Họ làm việc trên bộ phim điểm chuẩnđánh giá và dữ liệu twitter. Họ đã thu thập Twitter WOMdữ liệu bằng cách sử dụng Twitter API và phim bán hàng dữ liệu từ BoxOfficeMojo.com.Kết quả của họ gợi ý rằng ảnh hưởng củaWOM trên bán sản phẩm từ người sử dụng Twitter với những người theo nhiều hơnlà lớn hơn đáng kể hơn từ người dùng Twitter với ítnhững người theo. Họ thấy rằng có hiệu lực trước khi tiêu thụWOM trên phim bán hàng là lớn hơn mà sau tiêu thụWOM.Một bài viết so sánh Máy phân loại nhiều sau khi áp dụng mộtthống kê mô hình Markov dựa trên loại. Điều này là để nắm bắtphụ thuộc giữa các từ và cung cấp một vốn từ vựngmà nâng cao hiệu suất tiên đoán của một số phổ biếnMáy phân loại. Điều này đã được trình bày bởi Bai [15] những người đã trình bàymột thuật toán dự đoán hai giai đoạn. Trong giai đoạn đầu tiên, ông cơ-Fier học có điều kiện phụ thuộc trong số các từ vàmã hóa chúng vào một Markov chăn đạo diễn Acyclic đồ thịĐối với tình cảm biến. Trong giai đoạn thứ hai, ông đã sử dụng một metaheuristicchiến lược để tinh chỉnh thuật toán của họ để mang lại một caođường xác nhận tính chính xác. Ông đã làm việc trên hai bộ sưu tập củaOnline phim đánh giá từ IMDB và ba bộ sưu tập củatin tức trực tuyến sau đó so sánh các thuật toán của mình với SVM, NB,TÔI và những người khác. Ông minh họa rằng phương pháp của ông đã có thểxác định một parsimonious thiết lập tính năng tiên đoán và thu đượctốt hơn dự đoán kết quả về định hướng tình cảm, so sánhphương pháp khác. Kết quả của mình đề nghị rằng tình cảmđược chụp bởi có điều kiện phụ thuộc giữa các từ là tốtnhư bằng từ khóa hoặc các từ tần số cao. Sự phức tạp củaMô hình của ông là tuyến tính trong số mẫu.Giám sát và không có giám sát phương pháp tiếp cận có thể được kết hợpvới nhau. Điều này được thực hiện bởi Valdivia và Ca´mara [54]. Họđề nghị sử dụng meta-máy phân loại để phát triển mộtCác hệ thống phân loại phân cực. Họ làm việc trên một corpus Tây Ban Nhaphim đánh giá cùng với corpus song song dịchsang tiếng Anh (MCE). Trước tiên, họ tạo ra hai mô hình cá nhânsử dụng các corpora hai sau đó áp dụng máy họcthuật toán (SVM, NB, C4.5 và khác). Thứ hai, họ tích hợpSentiWordNet tình cảm corpus vào các văn thể tiếng Anhtạo ra một mô hình không có giám sát mới bằng cách sử dụng ngữ nghĩa định hướngcách tiếp cận. Thứ ba, họ kết hợp ba hệ thống bằng cách sử dụng mộtMeta-loại. Kết quả của họ tốt hơn các kết quả của việc sử dụngcá nhân corpus và cho thấy rằng cách tiếp cận của họ có thểđược coi là một chiến lược tốt cho sự phân cực phân loại khisong song corpora có sẵn.Máy phân loại ML được sử dụng bởi Walker và Anand [44] để phân loạilập trường. Lập trường được định nghĩa là một vị trí tổng thể được tổ chức bởi mộtngười đối với một đối tượng, ý tưởng hoặc vị trí [84]. Lập trường là tương tự nhưđể một quan điểm hay quan điểm, nó có thể được coi là xác địnhphía '''' mà một người nói là ngày, ví dụ như cho hay chống lạiCác quyết định chính trị. Walker và Anand [44] đã phân loạilập trường rằng người giữ và áp dụng điều này vào cuộc tranh luận chính trị.Họ sử dụng 104 hai mặt cuộc tranh luận từ convinceme.net cho14 khác nhau tranh luận các chủ đề và cố gắng để xác định lập trường hoặcThái độ của các diễn giả. Mục tiêu chính của họ là để xác địnhsự đóng góp tiềm năng để cuộc tranh luận bên phân loại hiệu suấttính năng theo ngữ cảnh đối thoại. Có hiệu lực chính chobối cảnh là khi so sánh kết quả của họ với không có bối cảnh đểnhững người có bối cảnh, nơi chỉ có 5 chủ đề tính năng cặp Hiển thị mộtgiảm từ để không bối cảnh bối cảnh. Họ sử dụng SVM, NBvà một quy tắc dựa trên loại cho mục đích phân loại. Họđạt được phân loại cuộc tranh luận-side phàm, một cho mỗi chủ đềcơ sở, so với đường cơ sở unigram khi sử dụng tình cảm,chủ quan, phụ thuộc và dialogic tính năng.

Kết quả (Việt) 2:

4.1.3. Phân loại Meta
Trong nhiều trường hợp, các nhà nghiên cứu sử dụng một loại hoặc nhiều classi-
Fiers để kiểm tra công việc của họ. Một trong những bài viết này là công trình được đề xuất
bởi Lane và Clarke [46]. Họ trình bày một ML
cách tiếp cận để giải quyết các vấn đề của việc định vị các tài liệu mang
ưa tích cực hoặc tiêu cực trong phân tích phương tiện truyền thông. Các
sự mất cân bằng trong việc phân phối các mẫu tích cực và tiêu cực,
những thay đổi trong các tài liệu theo thời gian, và đào tạo và có hiệu quả
các thủ tục đánh giá cho các mô hình là những thách thức mà họ
phải đối mặt để đạt được mục tiêu của họ. Họ đã làm việc trên ba bộ dữ liệu được tạo ra bởi một công ty truyền thông phân tích. Họ phân loại tài liệu
theo hai cách: phát hiện sự hiện diện của ưa thích, và
đánh giá tiêu cực vs. ưa tích cực. Họ đã sử dụng năm
loại khác nhau của các tính năng để tạo ra các tập hợp dữ liệu từ các nguyên liệu
văn bản. Họ đã thử nghiệm nhiều phân loại để tìm tốt nhất đó là
(SVM, K-lân cận gần nhất, NB, BN, DT, một người học luật và
khác). Họ cho thấy cân bằng sự phân bố lớp trong
dữ liệu huấn luyện có thể có lợi trong việc cải thiện hiệu suất,
nhưng NB có thể bị ảnh hưởng xấu.
Áp dụng thuật toán ML vào luồng dữ liệu từ Twitter
đã được điều tra bởi Rui và Liu [56]. Trong công việc của họ, họ đã
điều tra xem liệu và cách twitter truyền miệng (WOM)
ảnh hưởng đến doanh thu phim bằng cách ước lượng một mô hình dữ liệu bảng năng động.
Họ sử dụng NB và SVM cho mục đích phân loại. Họ
đóng góp chủ yếu được phân loại các tweets đưa vào xem xét
các đặc điểm độc đáo của tweets. Họ phân biệt
giữa các ý kiến trước khi người tiêu dùng (những người chưa
mua sản phẩm nào) và ý kiến của người tiêu dùng sau (những người
mua sản phẩm). Họ đã làm việc trên phim chuẩn
đánh giá và dữ liệu twitter. Họ đã thu thập Twitter WOM
dữ liệu bằng cách sử dụng dữ liệu Twitter API và bộ phim doanh thu từ BoxOfficeMojo.com.
Kết quả của họ cho thấy rằng tác động của
WOM trên doanh số bán sản phẩm từ những người dùng Twitter có nhiều người theo
là lớn hơn từ những người dùng Twitter với hơn đáng kể
theo. Họ phát hiện ra rằng tác động của pre-tiêu thụ
WOM trên doanh số bán phim là lớn hơn so với các hậu tiêu thụ
WOM.
Một bài báo so sánh nhiều phân loại sau khi áp dụng một
thống kê mô hình Markov dựa phân loại. Điều này là để nắm bắt
sự phụ thuộc giữa các từ và cung cấp một vốn từ vựng
đó nâng cao hiệu quả hoạt động dự đoán của một số phổ biến
phân loại. Điều này đã được trình bày bởi Bai [15] đã được trình bày
một thuật toán dự đoán hai giai đoạn. Trong giai đoạn đầu tiên, classi- mình
fier học phụ thuộc điều kiện trong số các từ và
mã hóa chúng thành một Blanket Markov Đạo mạch hở Graph
cho biến tình cảm. Trong giai đoạn thứ hai, ông đã sử dụng một metaheuristic
chiến lược để tinh chỉnh các thuật toán của họ để tạo ra một cao
độ chính xác qua xác nhận. Ông đã làm việc trên hai bộ sưu tập của
đánh giá bộ phim trực tuyến từ IMDB và ba bộ sưu tập của
tin tức trực tuyến sau đó so sánh với thuật toán của mình với SVM, NB,
ME và những người khác. Ông chứng minh rằng phương pháp của ông đã có thể
xác định một tập hợp các tính năng tiên đoán chi li và thu được
kết quả dự đoán tốt hơn về định hướng tình cảm, so
với các phương pháp khác. Kết quả của ông cho rằng tình cảm
đang bị bắt bởi phụ thuộc điều kiện giữa các từ cũng
như bởi các từ khóa hoặc các từ có tần số cao. Sự phức tạp của
mô hình của ông là tuyến tính trong số lượng mẫu.
giám sát và cách tiếp cận không được giám sát có thể được kết hợp
với nhau. Điều này đã được thực hiện bởi Valdivia và Ca'mara [54]. Họ
đề xuất việc sử dụng các meta-phân loại để phát triển một
hệ thống phân loại phân cực. Họ đã làm việc trên một tập văn Tây Ban Nha
ý phim cùng với corpus song song của nó được dịch
sang tiếng Anh (MCE). Đầu tiên, họ đã tạo ra hai mô hình cá nhân
sử dụng hai corpora sau đó áp dụng các máy học
thuật toán (SVM, NB, C4.5 và khác). Thứ hai, chúng được tích hợp
corpus tình cảm SentiWordNet vào corpus tiếng Anh
tạo ra một mô hình mới không có giám sát sử dụng hướng ngữ nghĩa
phương pháp tiếp cận. Thứ ba, họ kết hợp ba hệ thống sử dụng một
meta-phân loại. Kết quả của họ vượt trội so với kết quả của việc sử dụng
corpus cá nhân và cho thấy rằng phương pháp của họ có thể được
coi là một chiến lược tốt cho phân cực khi
corpora song song có sẵn.
ML phân loại được sử dụng bởi Walker và Anand [44] để phân
lập trường. Lập trường được định nghĩa như là một vị trí tổng thể tổ chức bởi một
người đối với một đối tượng, ý tưởng hoặc vị trí [84]. Stance là tương tự
đến một quan điểm hay quan điểm, nó có thể được xem như là việc xác định
các '' bên '' mà một người nói là trên, ví dụ như cho hoặc chống lại
các quyết định chính trị. Walker và Anand [44] đã phân
lập trường mà mọi người giữ và áp dụng này vào các cuộc tranh luận chính trị.
Họ sử dụng các cuộc tranh luận 104 hai mặt từ convinceme.net cho
14 chủ đề tranh luận khác nhau và cố gắng xác định những quan điểm hay
thái độ của người nói. Mục tiêu chính của họ là xác định
những đóng góp tiềm năng để tranh luận hiệu suất phân loại mặt
các tính năng đối thoại theo ngữ cảnh. Các tác dụng chính cho
bối cảnh là khi so sánh kết quả của họ không có bối cảnh vào
những người có hoàn cảnh, nơi chỉ 5 cặp tính năng chủ đề cho một
giảm từ không có bối cảnh. Họ đã sử dụng SVM, NB
và một phân loại dựa trên nguyên tắc cho mục đích phân loại. Họ
đạt được độ chính xác phân loại tranh luận-side, trên mỗi chủ đề
cơ bản, cao hơn so với đường cơ sở unigram khi sử dụng tình cảm,
chủ quan, phụ thuộc và tính năng đối thoại.