Sentiment analysis: Bayesian Ensemble Learning

تعداد زیادی از داده های متنی در وب در چند سال اخیر به سرعت در حال ایجاد محتوای منحصر به فرد از ابعاد عظیم بوده است. در یک زمینه تصمیم گیری، یکی از مهم ترین وظایف، طبقه بندی قطبی یک منبع متنی است که معمولا از طریق روش های یادگیری تحت نظارت انجام می شود. اکثر رویکردهای موجود، بهترین مدل طبقه بندی را انتخاب می کنند که منجر به تصمیم گیری بیش از حد اعتماد به نفس می شود که عدم قطعیت ذاتی زبان طبیعی را در نظر نمی گیرد. در این مقاله، پارادایم یادگیری گروهی را برای کاهش حساسیت نویز مربوط به ابهام زبانی دنبال می کنیم و به همین دلیل پیش بینی دقیق تر قطعیت را ارائه می دهیم. روش جمع آوری پیشنهاد شده براساس مدل میانگین بیزی است که در آن هر دو عدم قطعیت و قابلیت اطمینان هر یک از مدل ها مورد توجه قرار می گیرند. ما با انتخاب یک رویکرد حریصانه که سهم هر مدل را در رابطه با این مجموعه ارزیابی می کند، مشکل انتخاب انتخاب کننده طبقه بندی می شود. نتایج تجربی بر روی مجموعه داده های استاندارد طلا نشان می دهد که رویکرد پیشنهادی هر دو روش طبقه بندی سنتی و روش های گروه بندی را بهتر می کند.