An Enhanced SVM Model for Implicit Aspect Identification in Sentiment Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Opinion Mining or Sentiment Analysis (SA) is a key component of E-commerce applications where a vast number of reviews are generated by customers. SA operates on aspect level where the views are expressed on a specific aspect of a product and have a big influence on the customers’ choices and businesses’ reputation. Aspect Based Sentiment Analysis (ABSA) is the task of categorizing text by aspect and identifying the sentiment attributed to it. Implicit Aspect Identification (IAI) is a subtask of ABSA. This paper aims to empirically investigate how external knowledge (e.g. WordNet) is integrated into SVM model to address some of its intrinsic issues when dealing with classification. To achieve this research goal, we propose an approach to improve Support Vector Machines (SVM) model to deal with IAI. Using WordNet (WN) semantic relations, we suggest an enhancement for the SVM kernel computation. Experiments are conducted on three benchmark datasets of products, laptops, and restaurant reviews. The effects of our approach are examined and analyzed according to three criteria: (i) kernel function used, (ii) different experimental settings, and (iii) SVM behavior towards Overfitting and Underfitting. The research finding of our work is that the integration of external knowledge (e.g. WordNet) is experimentally proved to be significantly helpful to SVM classification for IAI and especially for addressing Overfitting and Underfitting that are considered as two of the main structural SVM issues. The empirical results demonstrate that our approach helps SVM (i) improve its performance for the three considered kernels and under different experimental settings, and (ii) deal better with Overfitting and Underfitting.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle