Transcript نظر کاوی مبتنی بر سطح سند

‫به نام خدا‬
‫نظر کاوی مبتنی بر سطح سند‬
‫استاد راهنما‪ :‬دکتر محسن کاهانی‬
‫(استاد دانشگاه فردوسی مشهد)‬
‫ارائه دهنده‪ :‬سید محمد اصغری‬
‫)دانشجوی کارشناسی ارشد دانشگاه فردوسی مشهد(‬
‫‪ 18‬اسفند ‪1392‬‬
‫فهرست مطالب‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫مقدمه‬
‫هدف‬
‫فرایند‬
‫انواع نظرکاوی‬
‫کاربردها‬
‫سطوح نظرکاوی‬
‫مشکالت‬
‫مرور کارها‬
‫مقایسه و نتیجه گیری‬
‫‪2‬‬
‫مقدمه‬
‫• هدف نظرکاوی]‪:[11‬‬
‫– استخراج خودکار احساسات و نظرات جمعی انسانها از‬
‫نوشتارها‬
‫‪4‬‬
‫فرایند‬
‫نظرکاوی]‪[19‬‬
‫‪5‬‬
‫انواع نظرکاوی‬
‫• از منظر دسته بندی‬
‫– اعتبار مطلق (مثبت‪ -‬منفی)‬
‫– اعتبار عددی‬
‫• از منظر الگوریتمها‬
‫– مبتنی بر قاعده‬
‫– مبتنی بر یادگیری‬
‫‪6‬‬
‫کاربرد نظرکاوی]‪[16‬‬
‫• درباره بازار و محصوالت تجاری‬
‫‪ ‬از دیدگاه مشتتریا ‪ :‬بررستی کیفیتت محصتومع معایتب و مزایتا کتاالع‬
‫استفاده از تجربیات دیگرا ع مقایسه محصوالت و ‪...‬‬
‫‪ ‬از دیدگاه تولیدکنندگا ‪ :‬کشف نقاط ضتعف محصتوم ختود از دیتدگاه‬
‫مشتتتریا ع نقطتته نظتترات و انتظتتارات مشتتتریا ع درن بهتتتر از نی تاز‬
‫مشتریا خودع مقایسه و رقابت با ستایر شترکتهای رقیتب در بتازار‬
‫و ‪...‬‬
‫‪ ‬از دیدگاه فروشندگا ‪ :‬بازاریابیع تبلیغات مناسب با سلیقه مشتتریا ع‬
‫پیشنهاد محصوم مناسب به خریدارا و ‪...‬‬
‫‪7‬‬
‫کاربرد نظرکاوی (ادامه)‬
‫• علوم اجتماعی و روا شناسی (تحلیم مسائم اجتماعی و فرهنگیع تاثیر‬
‫اتفاقات مختلف در رفتار مردم و ‪)...‬‬
‫• سیاست (انتخاباتع پیشبینی تحوالت و انقالبهاع میزا اتحاد مردم و نظر مردم‬
‫درباره ‪)...‬‬
‫• مدیریت (کمک در تصمیمگیریع آگاهی از میزا رضایت و طرز تفکر افرادع‬
‫جمع آوری اطالعات نرم درو یا فرا سازمانی و ‪)...‬‬
‫• بازار بورس و پیشبینی سهام (اخبار خوب و بد اقتصادی و سیاسیع و ‪)...‬‬
‫• پزشکی‬
‫• ؟‬
‫‪8‬‬
‫سطوح نظرکاوی]‪[11,19,13‬‬
‫• نظرکاوی سطح سند‪:‬‬
‫– طبقه بندی اسناد‬
‫– نقد فیلمع نقد نشریات‬
‫‪++‬‬
‫‪+‬‬‫‪+‬‬
‫‪9‬‬
‫سطوح نظرکاوی‬
‫)ادامه(‬
‫• نظرکاوی سطح سند‪:‬‬
‫– طبقه بندی اسناد‬
‫– نقد فیلمع نقد نشریات‬
‫• نظرکاوی سطح جمله‪:‬‬
‫– طبقه بندی جمالت‬
‫– ‪Twit‬هاع نظرات کوتاه‬
‫• نظرکاوی سطح ویژگی‪:‬‬
‫– امتیاز داد به خصوصیات مختلف‬
‫‪10‬‬
‫فرایند نظرکاوی مبتنی بر سند]‪[13‬‬
‫• مبتنی بر دیکشنری‬
‫– ایجاد بانک لغات حسی‬
‫– پیدا کرد لغات حسی و امتیاز دهی‬
‫– محاسبه مجموع امتیازات سند‬
‫نه‬
‫نا‬
‫غیر‬
‫بی‬
‫‪.‬‬
‫‪.‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫خوب‬
‫شاد‬
‫خوشحام‬
‫لذتبخش‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫_‬
‫_‬
‫_‬
‫خسته کننده‬
‫کند‬
‫طوالنی‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪+‬‬
‫‪11‬‬
‫فرایند نظرکاوی مبتنی بر سند‬
‫• مبتنی بر یادگیری‬
‫– ایجاد بانک نظرات برچسب خورده (مدم باناظر)‬
‫– ایجاد بانک لغات حسی‬
‫– انتخاب ویژگیهای مناسب‬
‫– استفاده از الگوریتم های دسته بندی‬
‫– محاسبه مجموع امتیاز سند‬
‫‪12‬‬
‫مشکالت نظرکاوی]‪[17‬‬
‫• وابستگی گرایش کلمات به موجودیت‬
‫– مثام «غیرقابم پیشبینی» در فیلم و نرم افزار‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫نظرات و جمالت هرز‬
‫وابستگی به دامنه‬
‫کنایه هاع ضرب المثلها ع جمالت عامیانه و ‪...‬‬
‫اطالعات وابسته به قرای‬
‫کمبود ابزارهای پردازش زبا فارسی‬
‫ربط موضوعی مجموعه داده‬
‫شدت گرایش‬
‫کشف ضمیر‬
‫‪13‬‬
‫دیکشنری عبارات حسی]‪[22,20‬‬
‫• لغات حسی مثبت و منفی‬
‫– خوبع عجیبع شگفت انگیز ع کارامد و ‪...‬‬
‫• عبارات و جمالت حسی‬
‫– «مثم سنگ ماند »‬
‫• سه گانه های عبارت حسی‪:‬منفی کنندهع شدت دهندهع کلمه حسی‬
‫– «نه ‪ +‬خیلی ‪ +‬بد»‬
‫• الگوهای حسی‬
‫– ‪N + JJ + V‬‬
‫(‪ N‬اسم ع ‪ JJ‬صفت ساده ع ‪ V‬فعم)‬
‫‪14‬‬
‫الگوریتمهای نظرکاوی]‪[11‬‬
‫• یادگیری با نظارت‬
‫• یادگیری بدو نظارت‬
‫• شبه ناظر‬
‫‪16‬‬
‫طبقه بندی نظرات به روش با ناظر]‪[34‬‬
‫• الگوریتمها‬
‫– ماشی پشتیبا بردار (‪)SVM‬‬
‫– بیزی ساده ( ‪)Naïve Bayes‬‬
‫– ‪Maximum Entropy‬‬
‫– ‪Decision Tree‬‬
‫‪17‬‬
‫طبقه بندی نظرات به روش با ناظر(ادامه)‬
‫• انتخاب ویژگی (‪ )feature‬مناسب‪:‬‬
‫– نرخ رخداد عبارت‬
‫– برچسب گذار اجزای کالم‬
‫• صفت‬
‫– عبارات حسی‬
‫– تغییر دهنده معنا‬
‫– وابستگی نحوی‬
‫‪18‬‬
[13]‫طبقه بندی به روش بدو ناظر‬
semantic orientation applied to unsupervised classification of reviews
(turney 2002)
‫ پیدا کرد الگوی محتمم نظر‬:‫• گام اوم‬
“This piano produces beautiful sounds” •
19
‫طبقه بندی نظرات به روش بدو ناظر‬
‫• گام دوم‪:‬‬
‫• گام سوم‪ :‬محاسبه میانگی ‪ SO‬تمام عبارات‬
‫‪20‬‬
‫روش شبه ناظر برای رتبه دهی]‪[33‬‬
‫… ‪graph-based semi-supervised learning‬‬
‫‪Goldberg2012‬‬
‫• تشکیم گراف شباهت‬
‫• اسناد با برچسب و بدو برچسب‬
‫• رتبه دهی با ‪(2005) Pang and Lee , SVM‬‬
‫• اصالح رتبه‬
‫سند‬
‫‪8‬‬
‫سند‬
‫‪9‬‬
‫سند‬
‫‪3‬‬
‫سند‬
‫سند‬
‫‪9‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫سند‬
‫‪2‬‬
‫سند‬
‫‪5‬‬
‫سند‬
‫سند‬
‫‪1‬‬
‫‪21‬‬
‫روش شبه ناظر برای رتبه دهی‬
‫… ‪graph-based semi-supervised learning‬‬
‫‪Goldberg2012‬‬
‫• تشکیم گراف شباهت‬
‫• اسناد با برچسب و بدو برچسب‬
‫• رتبه دهی با ‪(2005) Pang and Lee , SVM‬‬
‫• اصالح رتبه‬
‫سند‬
‫‪8‬‬
‫سند‬
‫‪9‬‬
‫سند‬
‫‪3‬‬
‫سند‬
‫‪2‬‬
‫سند‬
‫‪9‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫‪2‬‬
‫سند‬
‫‪5‬‬
‫سند‬
‫‪3‬‬
‫سند‬
‫‪1‬‬
‫‪22‬‬
‫روش شبه ناظر برای رتبه دهی‬
‫… ‪graph-based semi-supervised learning‬‬
‫‪Goldberg2012‬‬
‫• تشکیم گراف شباهت‬
‫• اسناد با برچسب و بدو برچسب‬
‫• رتبه دهی با ‪(2005) Pang and Lee , SVM‬‬
‫• اصالح رتبه‬
‫سند‬
‫‪8‬‬
‫سند‬
‫‪9‬‬
‫سند‬
‫‪3‬‬
‫سند‬
‫‪5‬‬
‫سند‬
‫‪9‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫‪7‬‬
‫سند‬
‫‪2‬‬
‫سند‬
‫‪5‬‬
‫سند‬
‫‪3‬‬
‫سند‬
‫‪1‬‬
‫‪23‬‬
‫مقایسه کارها‬
‫رویکرد‬
‫نام‬
‫الگوریتمها‬
‫سال ارائه‬
‫دامنه‬
‫زبان‬
‫مثبت‪ :‬توجه دقیق به ویژگیهای محاسباتی‬
‫‪reviews‬‬
‫‪ECS&A‬‬
‫‪SVM‬‬
‫خالصه روش‬
‫‪Movie‬‬
‫‪NB‬‬
‫‪2013‬‬
‫‪EN‬‬
‫‪Product‬‬
‫]‪[19‬‬
‫‪ANN‬‬
‫ویژگی‬
‫منفی‪ :‬عدم شرح ویژگیها‬
‫مقایسه و ارزیابی کارایی الگوریتمهای شبکه‬
‫عصبی و ماشی بردار در نظر کاوی سطح سند‬
‫‪reviews‬‬
‫(محصوالت)‪68<Accuracy<90‬‬
‫(فیلم)‬
‫‪80<Accuracy<86‬‬
‫مثبت‪ :‬نشا داد تاثیر انتخاب ویژگی مناسب‬
‫‪Microblogging‬‬
‫‪TSA‬‬
‫یادگیری با ناظر‬
‫‪SVMs‬‬
‫‪EN‬‬
‫‪2011‬‬
‫‪Twitter‬‬
‫]‪[1‬‬
‫تاثیر پیکرهها و انتخاب ویژگیهای متناسب با‬
‫حوزه میکرو بالگها در افزایش کارایی‬
‫منفی‪ :‬عدم بحث از الگوریتم طبقه بند‬
‫‪Accuracy=75%‬‬
‫‪F-measure=0.68‬‬
‫‪minimum‬‬
‫‪SAUS‬‬
‫‪cut‬‬
‫]‪[30‬‬
‫‪SVMs‬‬
‫‪2004‬‬
‫‪Movie‬‬
‫‪reviews‬‬
‫‪En‬‬
‫استفاده از الگوریتم برش کمینه و حذف جمالت مثبت‪ :‬تاثیر زیاد آنالیز ذهنیت بر کارایی طبقه‬
‫بند سطح سند‬
‫عینی از سند قبم از پردازش توسط‬
‫الگوریتمهای طبقه بند‬
‫‪Accuracy= 86%‬‬
‫‪Naive Bayes‬‬
‫‪SACVS‬‬
‫‪SVM‬‬
‫]‪[31‬‬
‫‪2006‬‬
‫‪Movie‬‬
‫‪reviews‬‬
‫کاربرد تغییردهندههای معنای وابسته به مت‬
‫‪En‬‬
‫مثبت‪ :‬سادگی روش به کار گرفته شده‬
‫نظیر منفیکننده و شدت دهنده برای طبقهبندی منفی‪ :‬ویژگیهای کم برای الگوریتمهای یادگیر‬
‫بهتر نظرات‬
‫‪Accuracy= 85%‬‬
‫‪24‬‬
‫مقایسه کارها (ادامه)‬
‫رویکرد‬
‫نام‬
‫یادگیری با ناظر‬
‫‪SAML‬‬
‫الگوریتمها‬
‫‪EWGA‬‬
‫‪with SVM‬‬
‫سال ارائه‬
‫دامنه‬
‫‪2011‬‬
‫‪Web forum‬‬
‫زبان‬
‫‪En‬‬
‫خالصه روش‬
‫شناخت ویژگیهای مشترن نحوی‬
‫و ادبی از دو زبا و استخراج آنها‬
‫‪Ar‬‬
‫‪LWVSA‬‬
‫‪LDA‬‬
‫]‪[32‬‬
‫‪LSA‬‬
‫‪SOU‬‬
‫‪Lexicon-‬‬
‫]‪[13‬‬
‫‪base‬‬
‫‪2011‬‬
‫‪Consumer reviews for‬‬
‫‪movies‬‬
‫بر ارتباط نحوی و معنایی به‬
‫یادگیری بدون ناظر‬
‫‪Automobile‬‬
‫استفاده از الگوههای نحوی برای‬
‫‪Banks‬‬
‫‪En‬‬
‫‪Movies‬‬
‫استخراج عبارات حسی و تعیی‬
‫گرایش سند‬
‫ناظر‬
‫یادگیری شبه‬
‫]‪[33‬‬
‫‪neighbor‬‬
‫‪Accuracy= 88.5%‬‬
‫منفی‪ :‬دقت پایی و عدم تمرکز بر روی حوزه‬
‫موضوعی خاص‬
‫‪65<Accuracy<84‬‬
‫مثبت‪ :‬نوآوری کار و استفاده از چهار دسته‬
‫‪SVM‬‬
‫‪k-nearest‬‬
‫بصورت ‪BlackBox‬‬
‫مثبت‪ :‬سادگی روش‬
‫‪Travel Destinations‬‬
‫‪GBSS‬‬
‫مثبت‪ :‬دقت باالی گزارش شده‬
‫فضای روابط چند بعدی برای غلبه منفی‪ :‬عدم تشریح ساده بردار در ابتدا یا انتهای مقاله‬
‫صورت همزما‬
‫‪2002‬‬
‫‪Accuracy= 86%‬‬
‫توسط الگوریتم ژنتیک‬
‫استفاده از برداری از لغات در‬
‫‪En‬‬
‫ویژگی‬
‫‪2012‬‬
‫‪Movie reviews‬‬
‫‪En‬‬
‫روشی مبتنی بر گراف برای بهبود‬
‫عملکرد برچسب گذار اسناد‬
‫منفی‪ :‬دقت پایی‬
‫‪Accuracy=59.8%‬‬
‫‪25‬‬
‫زبان مقاله‬
‫‪2013‬‬
‫‪2012‬‬
‫‪2011‬‬
‫‪2010‬‬
‫‪2009‬‬
‫‪2008‬‬
‫‪2007‬‬
‫‪2006‬‬
‫‪2005‬‬
‫‪2004‬‬
‫‪2003‬‬
‫مجموع‬
‫نظرکاوی در زبانهای مختلف‬
‫چینی‬
‫‪19‬‬
‫‪23‬‬
‫‪9‬‬
‫‪10‬‬
‫‪5‬‬
‫‪6‬‬
‫‪1‬‬
‫‪2‬‬
‫‪1‬‬
‫_‬
‫_‬
‫‪76‬‬
‫عربی‬
‫‪9‬‬
‫‪6‬‬
‫‪5‬‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫‪20‬‬
‫اسپانیایی‬
‫‪6‬‬
‫‪7‬‬
‫_‬
‫‪1‬‬
‫‪1‬‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫‪15‬‬
‫آلمانی‬
‫‪1‬‬
‫‪3‬‬
‫_‬
‫‪2‬‬
‫_‬
‫‪1‬‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫‪7‬‬
‫ایتالیایی‬
‫‪1‬‬
‫‪3‬‬
‫_‬
‫‪2‬‬
‫_‬
‫‪1‬‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫‪7‬‬
‫فارسی‬
‫‪2‬‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫_‬
‫‪2‬‬
‫مستقل از زبان‬
‫‪542‬‬
‫‪467‬‬
‫‪303‬‬
‫‪228‬‬
‫‪163‬‬
‫‪87‬‬
‫‪49‬‬
‫‪36‬‬
‫‪10‬‬
‫‪11‬‬
‫‪2‬‬
‫‪1900‬‬
‫تعداد مقاالت یافت شده از پایگاه ‪ Google Scholar‬بر اساس کلید واژه ‪ Opinion mining‬و ‪Sentiment analysis‬‬
‫‪26‬‬
‫نتیجه گیری‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫کارهتتای انجتتام شتتده در زبانهتتای مختلتتف بتته غیتتر از انگلیستتی اکثتترا در ستتالهای‬
‫اخیر صورت گرفته است‪.‬‬
‫تعداد ای کارها در زبانهای غیر از انگلیسی (بخصوص فارسی) نسبت به زبا‬
‫انگلیسی بسیار ناچیز است‪.‬‬
‫دقت کارهای انجام شده تا کنو در حد نسبتا قابم قبتولی استت امتا بتا افتزایش آ‬
‫میتوا به مطلوبیت بیشتری دست پیدا کرد‪.‬‬
‫نیاز به ایجاد ابزارهای مناسب پتردازش زبتا فارستی بترای حصتوم بته کتارایی‬
‫مناسب میباشد‪.‬‬
‫دقت ارائه شده در مقاالت ای حوزه وابستگی تنگاتنگی به دامنه دارند‪.‬‬
‫لزوم ایجاد مجموع داده استاندارد برای نظرکاوی زبا فارسی احساس میشود‪.‬‬
‫‪27‬‬
‫مراجع‬
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
28
]1[
E. Kouloumpis, T. Wilson, and J. Moore, "Twitter sentiment analysis: The Good the Bad and the OMG!," in ICWSM, 2011.
]2[
A. Lentz, P. Zaitsev, V. Tkachenko, J. Zawodny, D. Balling, and B. Schwartz, High Performance MySQL: Optimization, Backups,
Replication, and More: O'Reilly Media, Incorporated, 2008.
]3[
H. David, M. Heikki, and S. Padhraic, "Principles of data mining," MIT Press, MA, vol. 189, 2001.
]4[
Z. Hanki, Introduction Data Mining and Data Warehouse: Wiley Press.
]5[
B. Max, "Principles of Data Mining," ed: Springer London Ltd, Published, 2007.
]6[
J. Han, M. Kamber, and J. Pei, Data mining: concepts and techniques: Morgan kaufmann, 2006.
]7[
B. Pang and L. Lee, "Opinion mining and sentiment analysis," Foundations and trends in information retrieval, vol. 2, pp. 1135, 2008.
]8[
A. K. Sehgal, "Text mining: The search for novelty in text," A report submitted in partial fulfillment of the requirements of the
Ph. D Comprehensive Examination in the Department of Computer Science, pp. 1-26, 2004.
]9[
U. Y. Nahm, Text mining with information extraction: The University of Texas at Austin, 2004.
]10[
R. Sharma, S. Nigam, and R. Jain, "Supervised Opinion Mining Techniques: A Survey," 2013.
]11[
B. Liu, "Sentiment analysis and opinion mining," Synthesis Lectures on Human Language Technologies, vol. 5, pp. 1-167, 2012.
]12[
B. Pang, L. Lee, and S. Vaithyanathan, "Thumbs up?: sentiment classification using machine learning techniques," in
Proceedings of the ACL-02 conference on Empirical methods in natural language processing-Volume 10, 2002, pp. 79-86.
]13[
P. D. Turney, "Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews," in
Proceedings of the 40th annual meeting on association for computational linguistics, 2002, pp. 417-424.
]14[
S. Bethard, H. Yu, A. Thornton, V. Hatzivassiloglou, and D. Jurafsky, "Automatic extraction of opinion propositions and their
holders," 2004 AAAI Spring Symposium on Exploring Attitude and Affect in Text, p. 2224, 2004.
]15[
S .Padmaja and S. S. Fatima, "Opinion Mining and Sentiment Analysis–An Assessment of Peoples’ Belief: A Survey,"
International Journal, 2013.
]16[
V. Y. Karkare and S. R. Gupta, "A Survey on Product Evaluation using Opinion Mining," International Journal Of Computer
Science And Applications, vol. 6, 2013.
.
)‫مراجع (ادامه‬
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
29
]17[
P. Sharma and K. Srivastava, "OPINIONS ON OPINION MINING: A SURVEY," International Journal of Advanced Research in
Computer Science and Electronics Engineering (IJARCSEE), vol. 2, pp. pp: 684-689, 20.13
]18[
A. Buche, D. Chandak, and A. Zadgaonkar, "Opinion Mining and Analysis: A survey," arXiv preprint arXiv:1307.3336, 2013.
]19[
R. Moraes, J. F. Valiati, and W. P. GaviãO Neto, "Document-level sentiment classification: An empirical comparison between
SVM and ANN," Expert Systems with Applications, vol. 40, pp. 621-633, 2013.
]20[
B. Liu, "Sentiment analysis and subjectivity," Handbook of natural language processing, vol. 2, p. 568, 2010.
]21[
A. Rashid, N. Anwer, M. Iqbal, and M. Sher, "A Survey Paper: Areas, Techniques and Challenges of Opinion Mining," 2013.
]22[
S. Gerani, M. J. Carman, and F. Crestani, "Investigating learning approaches for blog post opinion retrieval," in Advances in
Information Retrieval, ed: Springer, 2009, pp. 313-324.
]23[
B. He, C. Macdonald, J. He, and I. Ounis, "An effective statistical approach to blog post opinion retrieval," in Proceedings of
the 17th ACM conference on Information and knowledge management, 2008, pp. 1063-1072.
]24[
H. Yang, J. Callan, and L. Si, "Knowledge Transfer and Opinion Detection in the TREC 2006 Blog Track," in TREC, 2006.
]25[
K. Seki, Y. Kino, S. Sato, and K. Uehara, "TREC 2007 Blog Track Experiments at Kobe University," in TREC, 2007, p. 21.
]26[
M. M. S. Missen and M. Boughanem, "Sentence-level opinion-topic association for opinion detection in blogs," in Advanced
Information Networking and Applications Workshops, 2009. WAINA'09. International Conference on, 2009, pp. 733-737.
]27[
E. Zhang and Y. Zhang, "UCSC on TREC 2006 blog opinion mining," in Text Retrieval Conference, 2006.
]28[
H. Zhao, Z. Luo, and W. Lu, "WHU at Blog Track 2007," in TREC, 2007.
]29[
R. Feldman, "Techniques and applications for sentiment analysis," Communications of the ACM, vol. 56, pp. 82-89, 2013.
]30[
B. Pang and L. Lee, "A sentimental education: Sentiment analysis using subjectivity summarization based on minimum cuts,"
in Proceedings of the 42nd annual meeting on Association for Computational Linguistics, 2004, p. 271.
]31[
A. Kennedy and D. Inkpen, "Sentiment classification of movie reviews using contextual valence shifters," Computational
Intelligence, vol. 22, pp. 110-125, 2006.
]32[
A. L. Maas, R. E. Daly, P. T. Pham, D. Huang, A. Y. Ng, and C. Potts, "Learning word vectors for sentiment analysis," in
Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies-Volume 1,
2011, pp. 142-150.
]33[
A. B. Goldberg and X. Zhu, "Seeing stars when there aren't many stars: graph-based semi-supervised learning for sentiment
categorization," in Proceedings of the First Workshop on Graph Based Methods for Natural Language Processing, 2006, pp. 45-52
‫همکالسی‬
‫خیلی عالی بود‪ .‬آفرین‬
‫میشد خیلی بهتر ازین ارائه بدی‬
‫‪30‬‬
‫مقایسه کارها‬
‫رویکرد‬
‫نام‬
‫الگوریتمها‬
‫سال ارائه‬
‫دامنه‬
‫زبان‬
‫ویژگی‬
‫خالصه روش‬
‫مثبت‪ :‬توجه دقیق به ویژگیهای محاسباتی‬
‫‪NB‬‬
‫مقایسه و ارزیابی کارایی‬
‫‪Movie reviews‬‬
‫‪ECS&A‬‬
‫‪SVM‬‬
‫‪EN‬‬
‫‪2013‬‬
‫‪Product reviews‬‬
‫الگوریتمهای شبکه عصبی و ماشی‬
‫بردار در نظر کاوی سطح سند‬
‫‪ANN‬‬
‫منفی‪ :‬عدم شرح ویژگیها‬
‫(محصوالت)‪68<Accuracy<90‬‬
‫(فیلم)‬
‫‪13‬‬
‫‪80<Accuracy<86‬‬
‫مثبت‪ :‬نشا داد تاثیر انتخاب ویژگی مناسب‬
‫تاثیر پیکرهها و انتخاب ویژگیهای‬
‫‪Microblogging‬‬
‫‪2011‬‬
‫یادگیری با ناظر‬
‫‪TSA‬‬
‫‪SVMs‬‬
‫‪EN‬‬
‫‪Twitter‬‬
‫منفی‪ :‬عدم بحث از الگوریتم طبقه بند‬
‫متناسب با حوزه میکرو بالگها در‬
‫افزایش کارایی‬
‫‪114‬‬
‫‪Accuracy=75%‬‬
‫‪F-measure=0.68‬‬
‫استفاده از الگوریتم برش کمینه و‬
‫‪minimum cut‬‬
‫‪SAUS‬‬
‫‪SVMs‬‬
‫‪2004‬‬
‫‪Movie reviews‬‬
‫‪En‬‬
‫‪Naive Bayes‬‬
‫‪SACVS‬‬
‫‪SVM‬‬
‫‪2006‬‬
‫‪Movie reviews‬‬
‫‪En‬‬
‫حذف جمالت عینی از سند قبم از‬
‫مثبت‪ :‬تاثیر زیاد آنالیز ذهنیت بر کارایی طبقه بند‬
‫سطح سند‬
‫پردازش توسط الگوریتمهای طبقه‬
‫بند‬
‫‪Accuracy= 86%‬‬
‫کاربرد تغییردهندههای معنای‬
‫مثبت‪ :‬سادگی روش به کار گرفته شده‬
‫وابسته به مت نظیر منفیکننده و‬
‫شدت دهنده برای طبقهبندی بهتر‬
‫نظرات‬
‫منفی‪ :‬ویژگیهای کم برای الگوریتمهای یادگیر‬
‫‪1255‬‬
‫‪319‬‬
‫‪Accuracy= 85%‬‬
‫‪33‬‬
‫مقایسه کارها (ادامه)‬
‫رویکرد‬
‫نام‬
‫یادگیری با ناظر‬
‫‪SAML‬‬
‫الگوریتمها‬
‫‪EWGA‬‬
‫‪with SVM‬‬
‫سال ارائه‬
‫دامنه‬
‫‪2011‬‬
‫‪Web forum‬‬
‫زبان‬
‫‪En‬‬
‫خالصه روش‬
‫شناخت ویژگیهای مشترن نحوی‬
‫و ادبی از دو زبا و استخراج آنها‬
‫‪Ar‬‬
‫‪LDA‬‬
‫‪2011‬‬
‫‪LWVSA‬‬
‫‪LSA‬‬
‫‪Consumer reviews for‬‬
‫‪movies‬‬
‫بر ارتباط نحوی و معنایی به‬
‫یادگیری بدون ناظر‬
‫‪Automobile‬‬
‫‪SOU‬‬
‫‪Lexicon‬‬‫‪base‬‬
‫استفاده از الگوههای نحوی برای‬
‫‪Banks‬‬
‫‪En‬‬
‫‪Movies‬‬
‫استخراج عبارات حسی و تعیی‬
‫گرایش سند‬
‫ناظر‬
‫یادگیری شبه‬
‫‪neighbor‬‬
‫‪Accuracy= 88.5%‬‬
‫منفی‪ :‬دقت پایی و عدم تمرکز بر روی حوزه‬
‫موضوعی خاص‬
‫‪2409‬‬
‫‪65<Accuracy<84‬‬
‫مثبت‪ :‬نوآوری کار و استفاده از چهار دسته‬
‫‪SVM‬‬
‫‪GBSS‬‬
‫بصورت ‪BlackBox‬‬
‫‪85‬‬
‫مثبت‪ :‬سادگی روش‬
‫‪Travel Destinations‬‬
‫‪k-nearest‬‬
‫‪54‬‬
‫مثبت‪ :‬دقت باالی گزارش شده‬
‫فضای روابط چند بعدی برای غلبه منفی‪ :‬عدم تشریح ساده بردار در ابتدا یا انتهای مقاله‬
‫صورت همزما‬
‫‪2002‬‬
‫‪Accuracy= 86%‬‬
‫توسط الگوریتم ژنتیک‬
‫استفاده از برداری از لغات در‬
‫‪En‬‬
‫ویژگی‬
‫‪2012‬‬
‫‪Movie reviews‬‬
‫‪En‬‬
‫روشی مبتنی بر گراف برای بهبود‬
‫عملکرد برچسب گذار اسناد‬
‫منفی‪ :‬دقت پایی‬
‫‪171‬‬
‫‪Accuracy=59.8%‬‬
‫‪34‬‬