An ensemble technique is one which

An ensemble technique is one which combines the
outputs of several base classification models to form an
integrated output. Rui Xia (2011) used this approach and
made a comparative study of the effectiveness of
ensemble technique for sentiment classification by
efficiently integrating different feature sets and
classification algorithms to synthesize a more accurate
classification procedure. In his work, two types of feature
sets are designed for sentiment classification, namely the
part-of-speech based feature sets and the word-relation
based feature sets. Then, three text classification
algorithms, namely naive Bayes, maximum entropy and
support vector machines, are employed as base-classifiers
for each of the feature sets to predict classification scores.
Three types of ensemble methods, namely the fixed
combination, weighted combination and meta-classifier
combination, are evaluated for three ensemble strategies
namely ensemble of feature sets, ensemble of
classification algorithms, and ensemble of both feature
sets and classification algorithms.
In most of the comparative studies it is found that
SVM outperforms other machine learning methods in
sentiment classification. Ziqiong Zhang (2011) showed a
contradiction in the performance of SVM. They focused
their interest on written Cantonese, a written variety of
Chinese. They proposed a method which utilizes
completely prior-knowledge-free supervised machine
learning method and proved that the chosen machine
learning model could be able to draw its own conclusion
from the distribution of lexical elements in a piece of
Cantonese review. Despite its unrealistic independence assumption, the naive Bayes classifier surprisingly
achieves better performance than SVM.
Sentiment classification is done by constructing a text
classifier by extracting association rules that associate the
terms of a document and its categories, by modeling the
text documents as a collection of transactions where each
transaction represents a text document, and the items in
the transaction are the terms selected from the document
and the categories the document is assigned to. Then, the
system discovers associations between the words in
documents and the labels assigned to them. Each
category is considered as a separate text collection and
the association rule mining is applied to it. The rules
generated from all the categories separately are combined
together to form the classifier (Weitong Huang, 2008).
Then the training set is used to evaluate the classification
quality, for classifying the test text documents, the
number of rules covered, and attributive probability are
used. Yulan He (2010) attempted to create a novel
framework for sentiment classifier learning from
unlabeled documents. The process begins with a
collection of un-annotated text and a sentiment lexicon.
An initial classifier is trained by incorporating prior
information from the sentiment lexicon which consists of
a list of words marked with their respective polarity. The
labeled features use them directly to constrain model‟s
predictions on unlabeled instances using generalized
expectation criteria. The initially-trained classifier using
generalized expectation is then applied on the unannotated
text and the documents labeled with high
confidence are fed into the self-learned features extractor
to acquire domain-dependent features automatically.
Such self-learned features are subsequently used to train
another classifier which is then applied on the test set to
obtain the final results.
A few recent studies in this field explained the use of
neural networks in sentiment classification. Zhu Jian
(2010) proposed an individual model based on Artificial
neural networks to divide the movie review corpus into
positive , negative and fuzzy tone which is based on the
advanced recursive least squares back propagation
training algorithm. Long-Sheng Chen (2011) proposed a
neural network based approach, which combines the
advantages of the machine learning techniques and the
information retrieval techniques.
3.2.Semantic Orientation
The Semantic orientation approach to Sentiment
analysis is „„unsupervised learning” because it does not
require prior training in order to mine the data. Instead, it
measures how far a word is inclined towards positive and
negative.
Much of the research in unsupervised sentiment
classification makes use of lexical resources available.
Kamps et al (2004) focused on the use of lexical relations
in sentiment classification. Andrea Esuli and Fabrizio
Sebastiani (2005) proposed semi-supervised learning
method started from expanding an initial seed set using
WordNet. Their basic assumption is terms with similar
orientation tend to have similar glosses. They determined
the expanded seed term‟s semantic orientation through
gloss classification by statistical technique.
When the review where an opinion lies in, cannot
provide enough contextual information to determine the
orientation of opinion, Chunxu Wu(2009) proposed an
approach which resort to other reviews discussing the
same topic to mine useful contextual information, then
use semantic similarity measures to judge the orientation
of opinion. They attempted to tackle this problem by
getting the orientation of context independent opinions ,
then consider the context dependent opinions using
linguistic rules to infer orientation of context distinctdependent
opinion ,then extract contextual information
from other reviews that comment on the same product
feature to judge the context indistinct-dependent
opinions.

Kết quả (Việt) 1:

Một kỹ thuật toàn bộ là một kết hợp cáckết quả đầu ra của một số cơ sở phân loại các mô hình để tạo thành mộttích hợp đầu ra. Rui hạ (2011) sử dụng cách tiếp cận này vàthực hiện một nghiên cứu so sánh hiệu quả củatoàn bộ kỹ thuật cho tình cảm phân loại theohiệu quả tích hợp bộ tính năng khác nhau vàphân loại các thuật toán để tổng hợp một chính xác hơnphân loại thủ tục. Trong công việc của mình, hai loại tính năngbộ được thiết kế cho phân loại tình cảm, cụ thể là cácmột phần của bài phát biểu dựa trên bộ tính năng và các mối quan hệ từDựa trên bộ tính năng. Sau đó, ba văn bản phân loạithuật toán, cụ thể là ngây thơ Bayes, tối đa entropy vàhỗ trợ máy véc tơ, được sử dụng như là cơ sở-máy phân loạiĐối với mỗi bộ tính năng dự đoán phân loại điểm số.Ba loại phương pháp toàn bộ, cụ thể là cố địnhsự kết hợp, kết hợp trọng và meta-loạisự kết hợp, được đánh giá cho ba toàn bộ chiến lượccụ thể là toàn bộ tính năng bộ, toàn bộ củathuật toán phân loại, và toàn bộ của cả hai tính năngbộ và phân loại các thuật toán.Trong hầu hết các nghiên cứu so sánh nó được tìm thấy màSVM nhanh hơn so với máy học phương pháp trongphân loại tình cảm. Ziqiong trương (2011) cho thấy mộtmâu thuẫn trong việc thực hiện của SVM. Họ tập trungquan tâm của họ trên viết tiếng Quảng Đông, một số vănTrung Quốc. Họ đề xuất một phương pháp mà sử dụnghoàn toàn trước khi kiến thức-miễn phí giám sát máyhọc phương pháp và chứng minh rằng các máy tính được lựa chọnMô hình học tập có thể có thể rút ra kết luận riêng của mìnhtừ sự phân bố của các yếu tố từ vựng trong một mảnhXem xét Quảng Đông. Mặc dù của nó giả định không thực tế độc lập, ngây thơ Bayes loại đáng ngạc nhiênđạt được hiệu suất tốt hơn hơn SVM.Phân loại tình cảm được thực hiện bằng cách xây dựng một văn bảnloại bằng cách chiết Hiệp hội quy tắc đó liên kết cácCác điều khoản của một tài liệu và thư mục của nó, bởi mô hình hóa cácvăn bản tài liệu là một tập hợp các giao dịch mà mỗigiao dịch đại diện cho một tài liệu văn bản, và các mặt hàng tronggiao dịch là những thuật ngữ được tuyển chọn từ các tài liệuvà các loại tài liệu được gán cho. Sau đó, cácHệ thống phát hiện ra Hiệp hội giữa các từ trongtài liệu và các nhãn được gán. Mỗithể loại được coi là một bộ sưu tập riêng biệt văn bản vàkhai thác mỏ Hiệp hội quy tắc được áp dụng cho nó. Các quy tắcđược tạo ra từ tất cả các loại riêng biệt được kết hợpvới nhau để tạo thành loại (Weitong Huang, 2008).Sau đó tập huấn luyện được sử dụng để đánh giá việc phân loạichất lượng, để phân loại các tài liệu văn bản thử nghiệm, cácsố quy tắc được bảo hiểm và tính xác suấtđược sử dụng. Yulan ông (2010) đã cố gắng để tạo ra một cuốn tiểu thuyếtkhuôn khổ cho tình cảm loại học từổ tài liệu. Quá trình bắt đầu với mộtbộ sưu tập của un-chú thích văn bản và một lexicon tình cảm.Một loại ban đầu được huấn luyện bằng cách kết hợp trước khithông tin từ lexicon tình cảm mà bao gồmmột danh sách các từ được đánh dấu bằng phân cực tương ứng của họ. Cáccó nhãn tính năng sử dụng chúng trực tiếp để hạn chế model‟sdự đoán trên ổ trường hợp bằng cách sử dụng tổng quáttiêu chuẩn kỳ vọng. Các loại ban đầu đào tạo bằng cách sử dụngTổng quát kỳ vọng sau đó được áp dụng trên các unannotatedvăn bản và các tài liệu có nhãn với caosự tự tin được đưa vào tính năng tự học vắtđể có được tên miền phụ thuộc vào tính năng tự động.Các tính năng tự học sau đó được sử dụng để đào tạomột loại mà sau đó được áp dụng trên các bài kiểm tra thiết lập đểcó được kết quả cuối cùng.Một vài nghiên cứu gần đây trong lĩnh vực này giải thích việc sử dụngmạng nơ-ron trong phân loại tình cảm. Zhu Jian(2010) đã đề xuất một mô hình cá nhân dựa trên nhân tạomạng nơ-ron để phân chia các văn thể nhận xét phim vàogiai điệu tích cực, tiêu cực và mờ mà dựa trên cácnâng cao đệ quy tối thiểu sao tuyên truyềnthuật toán đào tạo. Long-Sheng Chen (2011) đã đề xuất mộtmạng nơ-ron dựa trên cách tiếp cận, mà kết hợp cácưu điểm của máy học kỹ thuật và cáckỹ thuật thông tin tra cứu.Định hướng 3.2.SemanticNgữ nghĩa định hướng cách tiếp cận để tình cảmphân tích là "" unsupervised learning"bởi vì nó khôngyêu cầu trước khi đào tạo để khai thác dữ liệu. Thay vào đó, nóCác biện pháp cách xa từ một nghiêng theo hướng tích cực vàtiêu cực.Phần lớn các nghiên cứu trong không có giám sát sentimentphân loại sử dụng từ vựng tài nguyên có sẵn.Kamps et al (2004) tập trung vào việc sử dụng các từ vựng quan hệtrong phân loại tình cảm. Andrea Esuli và FabrizioSebastiani (2005) được đề xuất bán giám sát học tậpphương pháp bắt đầu từ mở rộng một hạt giống ban đầu thiết lập bằng cách sử dụngWordNet. Của họ giả định cơ bản là các điều khoản với tương tựđịnh hướng có xu hướng có tương tự như Son. Họ xác địnhterm‟s mở rộng hạt giống ngữ nghĩa định hướng thông quabóng phaân loaïi theo kỹ thuật thống kê.Khi xem xét nơi một ý kiến nằm trong, không thểcung cấp đủ thông tin theo ngữ cảnh để xác định cácđịnh hướng ý kiến, Chunxu Wu(2009) đề xuất mộtcách tiếp cận mà khu du lịch để đánh giá khác thảo luận về cácCác chủ đề tương tự với tôi theo ngữ cảnh thông tin hữu ích, sau đósử dụng các biện pháp ngữ nghĩa tương tự để thẩm phán định hướngý kiến. Họ đã cố gắng để giải quyết vấn đề này bằngnhận được sự định hướng của bối cảnh độc lập ý kiến,sau đó xem xét bối cảnh phụ thuộc ý kiến bằng cách sử dụngCác quy tắc ngôn ngữ để suy ra định hướng của bối cảnh distinctdependentý kiến, sau đó giải nén thông tin theo ngữ cảnhtừ khác đánh giá bình luận về cùng một sản phẩmCác tính năng để thẩm phán bối cảnh không rõ ràng phụ thuộcý kiến.

Kết quả (Việt) 2:

Một kỹ thuật là một trong những bộ quần áo đồng kết hợp các
kết quả đầu ra của một số mô hình phân loại cơ sở để hình thành một
đầu ra tích hợp. Rui Xia (2011) sử dụng phương pháp này và
đã thực hiện một nghiên cứu so sánh hiệu quả của các
kỹ thuật phân loại quần áo đồng bộ cho tình cảm của
hiệu quả tích hợp bộ tính năng khác nhau và
các thuật toán phân loại để tổng hợp một chính xác hơn
trình phân loại. Trong công việc của mình, hai loại tính năng
bộ được thiết kế để phân loại tình cảm, cụ thể là các
bộ tính năng dựa part-of-speech và word-mối quan hệ
dựa trên bộ tính năng. Sau đó, ba phân loại văn bản
thuật toán, cụ thể là ngây thơ Bayes, entropy và tối đa
máy vector hỗ trợ, được sử dụng như là cơ sở-phân loại
cho từng tính năng thiết để dự đoán điểm phân loại.
Ba loại phương pháp ấn tượng, cụ thể là cố định
kết hợp, kết hợp trọng và meta -classifier
kết hợp, được đánh giá đối với ba chiến lược quần
là quần của bộ tính năng, bộ quần áo đồng của
các thuật toán phân loại, và quần thể của cả hai tính năng
tập hợp và phân loại các thuật toán.
Trong hầu hết các nghiên cứu so sánh nó được tìm thấy rằng
SVM nhanh hơn so với các phương pháp học máy khác trong
phân loại tình cảm . Ziqiong Zhang (2011) đã cho thấy một
sự mâu thuẫn trong việc thực hiện của SVM. Họ tập trung
sự quan tâm của họ về bản tiếng Quảng Đông, một loạt các văn bản của
Trung Quốc. Họ đã đề xuất một phương pháp trong đó sử dụng
giám sát máy hoàn toàn trước khi kiến thức miễn phí
phương pháp học tập và chứng minh rằng máy chọn
mô hình học tập có thể là có thể rút ra kết luận riêng của mình
từ sự phân bố của các yếu tố từ vựng trong một mảnh của
Quảng Đông xem xét. Mặc dù độc lập giả định không thực tế của nó, là phân loại Bayes ngây thơ đáng ngạc nhiên
đạt hiệu suất tốt hơn so với SVM.
Sentiment phân loại được thực hiện bằng cách xây dựng một văn bản
phân loại bằng cách chiết xuất các luật kết hợp là kết hợp các
điều khoản của một tài liệu, chủng loại của nó, bằng cách mô hình hóa các
tài liệu văn bản là một bộ sưu tập của giao dịch trong đó mỗi
giao dịch đại diện cho một tài liệu văn bản, và các mặt hàng trong
các giao dịch là các thuật ngữ được lựa chọn từ các tài liệu
và các loại tài liệu được giao cho. Sau đó, các
hệ thống phát hiện ra mối liên hệ giữa các từ trong
văn bản và các nhãn được gán cho họ. Mỗi
thể loại được coi như một bộ sưu tập văn bản riêng biệt và
khai thác luật kết hợp được áp dụng cho nó. Các quy tắc
tạo ra từ tất cả các hạng mục riêng biệt được kết hợp
với nhau để tạo thành các phân loại (Weitong Huang, 2008).
Sau đó, các tập huấn luyện được sử dụng để đánh giá phân loại
chất lượng, phân loại các tài liệu văn bản thử nghiệm, các
số quy tắc bảo hiểm, và xác suất tính từ thuộc được
sử dụng. Yulan Anh (2010) đã cố gắng để tạo ra một cuốn tiểu thuyết
tình cảm cho khung phân loại học tập từ
các tài liệu không có nhãn. Quá trình bắt đầu với một
tập hợp các văn bản un-chú thích và một từ vựng tình cảm.
Công cụ phân loại ban đầu được đào tạo bằng cách kết hợp trước khi
thông tin từ vựng tình cảm trong đó bao gồm
một danh sách các từ được đánh dấu với cực tương ứng của họ. Các
tính năng được dán nhãn sử dụng chúng trực tiếp để hạn chế mô hình "s
các dự báo về các trường hợp không có nhãn bằng tổng quát
tiêu chí mong đợi. Bộ phân loại ban đầu được đào tạo sử dụng
kỳ vọng tổng quát sau đó được áp dụng trên unannotated
văn bản và các tài liệu có nhãn với cao
sự tự tin được đưa vào tính năng tự học được vắt
để có được tính năng tên miền phụ thuộc vào tự động.
tính năng tự học như vậy, tiếp tục được sử dụng để đào tạo
khác phân loại sau đó được áp dụng trên các thiết lập thử nghiệm để
có được kết quả cuối cùng.
Một vài nghiên cứu gần đây trong lĩnh vực này giải thích việc sử dụng
mạng nơron trong các phân loại tình cảm. Zhu Jian
(2010) đề xuất một mô hình cá nhân dựa trên nhân tạo
các mạng thần kinh để phân chia các bộ phim xem xét corpus thành
tích cực, tiêu cực và mờ giai điệu mà là dựa trên các
tiến đệ quy bình phương tối thiểu lại tuyên truyền
thuật toán huấn luyện. Long-Sheng Chen (2011) đã đề xuất một
phương pháp tiếp cận dựa trên mạng thần kinh, trong đó kết hợp các
ưu điểm của kỹ thuật máy học và các
kỹ thuật truy vấn thông tin.
Định hướng 3.2.Semantic
Cách tiếp cận định hướng Semantic để Sentiment
phân tích là "" học không giám sát "bởi vì nó không
yêu cầu đào tạo trước khi ra để khai thác dữ liệu. Thay vào đó, nó
đo cách xa một chữ nghiêng theo hướng tích cực và
tiêu cực.
Phần lớn các nghiên cứu trong tình cảm không có giám sát
phân loại làm cho việc sử dụng các nguồn lực có sẵn từ vựng.
Kamps et al (2004) tập trung vào việc sử dụng các mối quan hệ từ vựng
trong phân loại tình cảm. Andrea Esuli và Fabrizio
Sebastiani (2005) đề xuất học bán giám sát
phương pháp bắt đầu từ việc mở rộng một loạt hạt giống ban đầu sử dụng
WordNet. Giả định cơ bản của họ là điều khoản tương tự với
định hướng xu hướng có nhũ tương tự. Họ xác định
các hạn hạt giống mở rộng "của định hướng ngữ nghĩa thông qua
phân loại bóng bằng kỹ thuật thống kê.
Khi xem xét nơi một quan điểm nằm trong, không thể
cung cấp đủ thông tin theo ngữ cảnh để xác định các
định hướng dư luận, Chunxu Wu (2009) đề xuất một
cách tiếp cận khu nghỉ mát để khác các ý kiến thảo luận về
một chủ đề nhằm thông tin theo ngữ cảnh hữu của tôi, sau đó
sử dụng các biện pháp tương tự ngữ nghĩa để đánh giá định hướng
dư luận. Họ đã cố gắng để giải quyết vấn đề này bằng
việc định hướng của bối cảnh ý kiến độc lập,
sau đó xem xét những ý kiến phụ thuộc vào ngữ cảnh sử dụng
quy tắc ngôn ngữ để suy ra định hướng của bối cảnh distinctdependent
ý kiến, sau đó trích xuất thông tin theo ngữ cảnh
từ các ý kiến khác, bình luận về các sản phẩm cùng
tính năng để đánh giá bối cảnh không rõ ràng phụ thuộc vào
ý kiến.