طبقه بندی قطبیت پیام های توییتر با استفاده از پردازش صوتی

عنوان طبقه بندی قطبیت پیام های توییتر با استفاده از پردازش صوتی
نویسنده دوشچو، میخائیل، دانیش، دیلک گونچ
تاریخ انتشار: 2020-11
محل انتشار - الزویر
موضوع پردازش صوتی، یادگیری ماشین، تجزیه و تحلیل احساسات، عادی سازی متن، توییتر
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 0306-4573
شماره ثبت 7c8a3245-5bd1-44c6-9e23-8cd424d31932
محل کتابخانه مهندسی صنایع
تاریخ 2020-11
متن نمونه طبقه بندی قطبیت یکی از اساسی ترین مشکلات در تحلیل احساسات است. در این مقاله، ما یک روش جدید، Sound Cosine Similaritye Matching، برای طبقه‌بندی قطبی پیام‌های توییتر پیشنهاد می‌کنیم که ویژگی‌های مبتنی بر داده‌های صوتی را به جای گرامر یا سایر ویژگی‌های متن، به عنوان مثال، وابستگی به فرهنگ‌های خارجی را حذف می‌کند. این به ویژه برای شناسایی صحیح کلمات غلط املایی یا کوتاه شده که اغلب در متن از رسانه های اجتماعی آنلاین با آنها مواجه می شوند مفید است. عملکرد روش در دو سطح ارزیابی می شود: 1) میزان ضبط کلمات غلط املایی و کوتاه شده، 2) عملکرد طبقه بندی مجموعه ویژگی. نتایج ما نشان می‌دهد که هنگام استفاده از ویژگی‌های پیشنهادی، دقت طبقه‌بندی در مقایسه با دو مدل دیگر در ادبیات بهبود یافته است.
DOI 10.1016/j.ipm.2020.102346
Cilt 57
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

طبقه بندی قطبیت پیام های توییتر با استفاده از پردازش صوتی

نویسنده دوشچو، میخائیل، دانیش، دیلک گونچ
تاریخ انتشار 2020-11
محل انتشار - الزویر
موضوع پردازش صوتی، یادگیری ماشین، تجزیه و تحلیل احساسات، عادی سازی متن، توییتر
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 0306-4573
شماره ثبت 7c8a3245-5bd1-44c6-9e23-8cd424d31932
محل کتابخانه مهندسی صنایع
تاریخ 2020-11
متن نمونه طبقه بندی قطبیت یکی از اساسی ترین مشکلات در تحلیل احساسات است. در این مقاله، ما یک روش جدید، Sound Cosine Similaritye Matching، برای طبقه‌بندی قطبی پیام‌های توییتر پیشنهاد می‌کنیم که ویژگی‌های مبتنی بر داده‌های صوتی را به جای گرامر یا سایر ویژگی‌های متن، به عنوان مثال، وابستگی به فرهنگ‌های خارجی را حذف می‌کند. این به ویژه برای شناسایی صحیح کلمات غلط املایی یا کوتاه شده که اغلب در متن از رسانه های اجتماعی آنلاین با آنها مواجه می شوند مفید است. عملکرد روش در دو سطح ارزیابی می شود: 1) میزان ضبط کلمات غلط املایی و کوتاه شده، 2) عملکرد طبقه بندی مجموعه ویژگی. نتایج ما نشان می‌دهد که هنگام استفاده از ویژگی‌های پیشنهادی، دقت طبقه‌بندی در مقایسه با دو مدل دیگر در ادبیات بهبود یافته است.
DOI 10.1016/j.ipm.2020.102346
Cilt 57
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید