which extends the Proposal1 model,

which extends the Proposal1 model, while changing smooth- ing parameter λ from 0.0001 to 0.01. Other parameter settings were: γ = 0.01 and L = 0.5 for all data sets.

Fig. 11 shows that the Proposal2 model, when λ = 0.002, performed statistically significantly better than the Proposal1 model for all data sets (McNemar’s test; p < .001). The switching of the two probability estimates: pEWMA, which is based on recent data, and pML, which is based on data that cover long-term period, enables the Proposal2 model to re- solve the trade-off between quick response to bursty words and the accurate learning of stationary words. Moreover, treating class distribution and word probability at different time scales (γ and λ), unlike instance selection and weight- ing methods, is effective in classifying tweet streams.

We also note that the best value for λ is the same for all three data sets, which have different change characteristics as shown in Figs. 1 and 4.

Kết quả (Việt) 1:

mà kéo dài các mô hình Proposal1, trong khi thay đổi mịn-ing tham số λ từ 0,0001 đến 0,01. Cài đặt tham số khác đã: γ = 0,01 và L = 0,5 cho tất cả các tập dữ liệu.Hình 11 cho thấy rằng các mô hình Proposal2, khi λ = 0,002, thực hiện tốt hơn về mặt thống kê đáng kể so với mô hình Proposal1 cho tất cả các tập dữ liệu (của McNemar thử nghiệm; p <.001). Chuyển đổi ước tính hai khả năng: pEWMA, mà dựa trên dữ liệu gần đây, và pML, mà dựa trên dữ liệu bao gồm khoảng thời gian lâu dài, cho phép các mô hình Proposal2 để tái-giải quyết sự đánh đổi giữa các phản ứng nhanh chóng để bursty từ và học từ văn phòng phẩm, chính xác. Hơn nữa, điều trị các lớp phân phối và từ xác suất tại thời gian khác nhau quy mô (γ và λ), không giống như trường hợp lựa chọn và trọng lượng-ing phương pháp, có hiệu quả trong phân loại các tweet suối.Chúng tôi cũng lưu ý rằng giá trị tốt nhất cho λ là giống nhau cho tất cả ba bộ dữ liệu, mà có đặc điểm khác nhau thay đổi như minh hoạ trong Figs. 1 và 4.

Kết quả (Việt) 2:

mà mở rộng mô hình Proposal1, trong khi thay đổi smooth- ing tham số λ 0,0001-,01. Thiết lập tham số khác là: γ = 0,01 và L = 0,5 cho tất cả các bộ dữ liệu. Fig. 11 cho thấy rằng mô hình Proposal2, khi λ = 0,002, thực hiện thống kê tốt hơn so với các mô hình Proposal1 cho tất cả các bộ dữ liệu đáng kể (test McNemar của; p <0,001). Sự chuyển đổi của hai ước tính xác suất: pEWMA, mà là dựa trên các số liệu gần đây, và PML, mà là dựa trên dữ liệu đó bao gồm khoảng thời gian lâu dài, cho phép các mô hình Proposal2 để tái giải quyết thương mại-off giữa phản ứng nhanh chóng từ truyền loạt và học tập chính xác các từ văn phòng phẩm. Hơn nữa, đối xử phân lớp và từ xác suất tại thời gian khác nhau (γ và λ), không giống như lựa chọn ví dụ và phương pháp ing weight-, có hiệu quả trong việc phân loại tweet suối. Chúng tôi cũng lưu ý rằng các giá trị tốt nhất cho λ là như nhau cho cả ba dữ liệu bộ, có đặc tính thay đổi khác nhau như trong hình. 1 và 4.