Sentiment labeling for extending initial labeled data to improve semi-supervised sentiment classification

در دهه های اخیر، تجزیه و تحلیل احساسات در بررسی مشتریان آنلاین برای بسیاری از شرکت ها و محققان مهم است. با این حال، مقدار کافی از برچسب های آموزش کروی تنگنا برای روش های یادگیری ماشین است. خودآموزی یکی از تکنیک های امیدوار کننده نیمه نظارت است که مقدار زیادی از اطلاعات نشانه گذاری را نیاز ندارد. با این حال، خود آموزش نیز از یک مشکل نامگذاری نادرست همراه با مقدار کافی از اطلاعات نشانه رنج می برد. این مطالعه یک چارچوب یادگیری نیمه نظارتی را ارائه می دهد که تنها اطلاعات محرمانه پیش بینی شده را به واحد آموزش اضافه می کند تا غنی سازی طبقه بندی اولیه در خودآموزی باشد. نتایج تجربی نشان می دهد که روش پیشنهادی بهتر از خودآموزی است.