Prominent Feature Extraction for Sentiment Analysis

ویرایش: 1 
نویسندگان: Basant Agarwal. Namita Mittal (auth.)  
سری: Socio-Affective Computing 
ISBN (شابک) : 9783319253411, 9783319253435 
ناشر: Springer International Publishing 
سال نشر: 2016 
تعداد صفحات: 118 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

قیمت کتاب (تومان) : 78,000



هدف این تک نگاری بهبود عملکرد مدل تحلیل احساسات با ترکیب دانش معنایی، نحوی و عقل سلیم است. این کتاب یک رویکرد جدید استخراج مفهوم معنایی را پیشنهاد می‌کند که از روابط وابستگی بین کلمات برای استخراج ویژگی‌ها از متن استفاده می‌کند. رویکرد پیشنهادی دانش معنایی و عقل سلیم را برای درک بهتر متن ترکیب می‌کند. علاوه بر این، هدف کتاب استخراج ویژگی های برجسته از متن بدون ساختار با حذف ویژگی های نویز، نامربوط و زائد است. خوانندگان همچنین یک روش پیشنهادی برای کاهش ابعاد کارآمد کشف خواهند کرد تا مشکل پراکندگی داده‌ها را که مدل یادگیری ماشین با آن مواجه است، کاهش دهد.

نویسندگان به چهار یافته اصلی کتاب توجه دارند:
-عملکرد تجزیه و تحلیل احساسات را می توان با کاهش افزونگی در بین ویژگی ها بهبود بخشید. نتایج تجربی نشان می‌دهد که تکنیک انتخاب ویژگی حداقل افزونگی حداکثر ربط (mRMR) با حذف ویژگی‌های اضافی، عملکرد تحلیل احساسات را بهبود می‌بخشد. طبقه‌بندی‌کننده ماشین برداری (SVM) برای تحلیل احساسات.
- مشکل پراکندگی داده‌ها با خوشه‌بندی معنایی ویژگی‌ها کاهش می‌یابد، که به نوبه خود عملکرد تحلیل احساسات را بهبود می‌بخشد.

- روابط معنایی بین کلمات موجود در متن نشانه های مفیدی برای تحلیل احساسات دارند. دانش عقل سلیم در قالب هستی‌شناسی ConceptNet دانشی را به دست می‌آورد که درک بهتری از متن ارائه می‌دهد که عملکرد تحلیل احساسات را بهبود می‌بخشد.

The objective of this monograph is to improve the performance of the sentiment analysis model by incorporating the semantic, syntactic and common-sense knowledge. This book proposes a novel semantic concept extraction approach that uses dependency relations between words to extract the features from the text. Proposed approach combines the semantic and common-sense knowledge for the better understanding of the text. In addition, the book aims to extract prominent features from the unstructured text by eliminating the noisy, irrelevant and redundant features. Readers will also discover a proposed method for efficient dimensionality reduction to alleviate the data sparseness problem being faced by machine learning model.

Authors pay attention to the four main findings of the book :
-Performance of the sentiment analysis can be improved by reducing the redundancy among the features. Experimental results show that minimum Redundancy Maximum Relevance (mRMR) feature selection technique improves the performance of the sentiment analysis by eliminating the redundant features.
- Boolean Multinomial Naive Bayes (BMNB) machine learning algorithm with mRMR feature selection technique performs better than Support Vector Machine (SVM) classifier for sentiment analysis.
- The problem of data sparseness is alleviated by semantic clustering of features, which in turn improves the performance of the sentiment analysis.

- Semantic relations among the words in the text have useful cues for sentiment analysis. Common-sense knowledge in form of ConceptNet ontology acquires knowledge, which provides a better understanding of the text that improves the performance of the sentiment analysis.

Front Matter....Pages i-xix
Introduction....Pages 1-4
Literature Survey....Pages 5-19
Machine Learning Approach for Sentiment Analysis....Pages 21-45
Semantic Parsing Using Dependency Rules....Pages 47-61
Sentiment Analysis Using ConceptNet Ontology and Context Information....Pages 63-75
Semantic Orientation-Based Approach for Sentiment Analysis....Pages 77-88
Conclusions and Future Work....Pages 89-92
Back Matter....Pages 93-103