An improved semi-supervised dimensionality reduction using feature weighting: Application to sentiment analysis

تجزیه و تحلیل تعداد زیادی از اسناد برای تجزیه و تحلیل احساسات مستلزم پیچیدگی و هزینه های زیادی است. برای رفع این بار، کاهش ابعاد به اسناد به عنوان یک مرحله پیش پردازش اعمال شده است. در میان الگوریتم های کاهش ابعاد، در مقایسه با انتخاب ویژگی، استخراج ویژگی می تواند کاهش اطلاعات را کاهش دهد و قدرت تفکیک پذیری بالاتری را در طبقه بندی احساسات کاهش دهد. با این حال، استخراج ویژگی از فقدان تفسیری رنج می برد و بسیاری از روش های استخراج غیرخطی که عموما بهتر از روش های خطی هستند، برای طبقه بندی احساسات به دلیل ویژگی هایی هستند که تنها مختصات مختصات کم بعدی را بدون نقشه برداری فراهم نمی کنند. بنابراین، این تحقیق، یک چارچوب کاهش یافته نیمه نظارت بهبود یافته را ارائه می دهد که به طور همزمان مزایای استفاده از استخراج ویژگی ها را حفظ کرده و اشکالاتی را برای طبقه بندی احساسات در نظر می گیرد. چارچوب پیشنهادی عمدتا بر اساس ویژگی استخراج خطی است که نقشه برداری و وزن گذاری قبل از استخراج ویژگی ها اعمال می شود. وزن بندی و استخراج ویژگی ها به روش نیمه نظارتی انجام می شود تا هر دو اطلاعات برچسب و اطلاعات ساختاری داده ها را در نظر بگیرند. برتر بودن هر دو ویژگی وزن گیری و استخراج ویژگی با انجام آزمایش های گسترده در 6 مجموعه داده های معیار سنجش شد.