He trabajado en el análisis de sentimientos y utilizo diferentes algoritmos existentes sin supervisión y supervisados para verificar la precisión, finalmente pudimos conocer algunos factores que contribuyen más en el análisis de sentimientos. Pudimos aumentar la precisión de nuestro algoritmo a un nivel competente. Aquí está la lectura.
http://thesai.org/Downloads/Volu…
Lee el resumen:
- ¿Cuáles son los mejores marcos de implementación (DL4J, Theano, TensorFlow, etc.) para máquinas de Boltzmann restringidas?
- ¿Cómo es usar las API de servicios cognitivos de Microsoft?
- ¿Cuál es el futuro del aprendizaje de refuerzo profundo? ¿Es una buena idea comenzar un doctorado ahora trabajando en ataques adversos en sistemas RL?
- ¿Cuáles son los siguientes pasos en el reconocimiento de voz después de extraer las funciones de MFCC?
- ¿Cómo usa la NASA el aprendizaje automático?
Es muy común que un cliente lea comentarios sobre el producto antes de tomar la decisión final de comprarlo. Los clientes siempre están ansiosos por obtener la mejor y más objetiva información sobre el producto que desean comprar y las reseñas son la fuente principal para obtener esta información. Aunque las revisiones son fácilmente accesibles desde la web, pero dado que la mayoría de ellas tienen una opinión ambigua y una estructura diferente, a menudo es muy difícil para un cliente filtrar la información que realmente necesita. Este documento sugiere un marco, que proporciona una solución de interfaz de usuario única para este problema basada en el análisis de opinión de las revisiones. Primero, extrae todas las revisiones de diferentes sitios web que tienen una estructura variable y recopila información sobre aspectos relevantes de ese producto. A continuación, realiza un análisis de sentimientos en torno a esos aspectos y les da puntajes de sentimientos. Finalmente, clasifica todos los aspectos extraídos y los agrupa en clases positivas y negativas. El resultado final es una visualización gráfica de todos los aspectos positivos y negativos, que proporcionan al cliente información fácil, comparable y visual sobre los aspectos importantes del producto. Los resultados experimentales en cinco productos diferentes con 5000 revisiones muestran una precisión del 78%. Además, el documento también explicó el efecto de Negación, Desplazador de valencia y Diminisher con el análisis del sentimiento del léxico del sentimiento, y concluyó que todos son independientes del problema del caso y no tienen ningún efecto sobre la precisión del análisis del sentimiento.