Consensus vote models for detecting and filtering neutrality in sentiment analysis

به تازگی، علاقه به تجزیه و تحلیل احساسات به طور نمادین افزایش یافته است. بسیاری از مطالعات الگوریتمی متنوعی را ایجاد کرده اند که بتوانند متون را طبق احساسات منتقل شده در آنها طبقه بندی کنند. چنین احساساتی معمولا مثبت، بی طرف یا منفی بیان می شود. با این حال، بررسی های خنثی اغلب در بسیاری از مشکلات تجزیه و تحلیل احساسات به دلیل ابهام و کمبود اطلاعات آنها نادیده گرفته می شود. در این مقاله، ما پیشنهاد می کنیم که توانایی بی طرفی را با مشخص کردن مرز بین بررسی های مثبت و منفی، با هدف بهبود عملکرد مدل، پیشنهاد کنیم. ما روشهای مختلف تحلیل احساسات را به انواع مختلفی از بدن منتقل می کنیم و از این رو، بررسی های خنثی را با هماهنگی تشخیص می دهیم تا آنها را فیلتر کنیم، یعنی با توجه به مدل های مختلف بر اساس جمع بندی وزنی. ما در نهایت عملکرد طبقه بندی را در مدل های تک و تجمعی مقایسه می کنیم. نتایج به وضوح نشان می دهد که روش های تجمع در اکثر موارد تنها از مدل های تک نفره بیشتر است، که ما را به نتیجه می رساند که بی طرفی برای تشخیص بین مثبت و منفی و سپس برای بهبود طبقه بندی احساسات مهم است.