論文の概要: Sentiment Analysis in Drug Reviews using Supervised Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2003.11643v1
• Date: Sat, 21 Mar 2020 20:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 10:17:07.718280
• Title: Sentiment Analysis in Drug Reviews using Supervised Machine Learning Algorithms
• Title（参考訳）: 監視された機械学習アルゴリズムを用いた薬物レビューの感性分析
• Authors: Sairamvinay Vijayaraghavan, Debraj Basu
• Abstract要約: 我々は、テキスト形式でレビューされた様々な薬物のレビューを分析することを選んだ。 私たちは、"Birth Control"や"Depression"、"Pain"といった、最も一般的な条件でモデルをトレーニングしました。 我々の目的は主に、評価のクラスを予測する教師付き機械学習分類アルゴリズムを実装することであった。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sentiment Analysis is an important algorithm in Natural Language Processing which is used to detect sentiment within some text. In our project, we had chosen to work on analyzing reviews of various drugs which have been reviewed in form of texts and have also been given a rating on a scale from 1-10. We had obtained this data set from the UCI machine learning repository which had 2 data sets: train and test (split as 75-25\%). We had split the number rating for the drug into three classes in general: positive (7-10), negative (1-4) or neutral(4-7). There are multiple reviews for the drugs that belong to a similar condition and we decided to investigate how the reviews for different conditions use different words impact the ratings of the drugs. Our intention was mainly to implement supervised machine learning classification algorithms that predict the class of the rating using the textual review. We had primarily implemented different embeddings such as Term Frequency Inverse Document Frequency (TFIDF) and the Count Vectors (CV). We had trained models on the most popular conditions such as "Birth Control", "Depression" and "Pain" within the data set and obtained good results while predicting the test data sets.
• Abstract（参考訳）: 感性分析は自然言語処理において重要なアルゴリズムであり、あるテキスト内で感情を検出するために使用される。 本プロジェクトでは,テキスト形式でレビューされた各種薬剤のレビュー分析に取り組み,また1～10の尺度で評価した。 このデータセットは、トレーニングとテストの2つのデータセット(75-25\%のスプリット)を持つUCI機械学習レポジトリから取得しました。 薬の格付けは, 陽性(7～10), 陰性(1～4), 中性(4〜7)の3種類に分類した。 同様の症状に属する薬物に対する複数のレビューがあり、異なる条件のレビューが薬物の評価にどう影響するかを調査することにした。 本研究の目的は,テキストレビューを用いて評価のクラスを予測する教師付き機械学習分類アルゴリズムの実装である。 主に、TFIDF(Term Frequency Inverse Document Frequency)やCV(Count Vectors)といった異なる埋め込みを実装した。 我々は、データセット内の"Birth Control"、"Depression"、"Pain"といった最も一般的な条件でモデルをトレーニングし、テストデータセットを予測しながら良い結果を得た。

関連論文リスト

• "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
  本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。 収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
  論文  参考訳（メタデータ） (2024-04-09T08:42:34Z)
• A Pretrainer's Guide to Training Data: Measuring the Effects of Data Age, Domain Coverage, Quality, & Toxicity [84.6421260559093]
  この研究は、テキスト事前学習に関する文書化されていない直観を検証、定量化、公開するための最大の実験である。 以上の結果から,トレーニングデータをフィルタリングする一大ソリューションが存在しないことが示唆された。
  論文  参考訳（メタデータ） (2023-05-22T15:57:53Z)
• Improving Health Mentioning Classification of Tweets using Contrastive Adversarial Training [6.586675643422952]
  周辺単語による単語表現を学習し,テキスト中の絵文字を用いて分類結果の改善を支援する。 モデルの埋め込みを摂動することで逆例を生成し、クリーンで逆例のペアでモデルを訓練する。 実験では、BERT-Largeベースラインが1.0%、RoBERTa-Largeベースラインが0.6%、F1スコアが5.8%となっている。
  論文  参考訳（メタデータ） (2022-03-03T18:20:51Z)
• A novel data-driven algorithm to predict anomalous prescription based on patient's feature set [0.0]
  現在の品質保証は、医師が各患者の治療計画についてピアレビューを行うピアレビュープロセスに大きく依存する。 我々は,過去のデータを用いて異常を予測できる新しい処方薬異常検出アルゴリズムを考案した。 本モデルでは,手動検診医と比較して2型誤診率が低い。
  論文  参考訳（メタデータ） (2021-11-30T03:40:24Z)
• Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
  本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。 入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
  論文  参考訳（メタデータ） (2021-09-12T19:33:34Z)
• Double Perturbation: On the Robustness of Robustness and Counterfactual Bias Evaluation [109.06060143938052]
  テストデータセットを超えたモデル弱点を明らかにするための"ダブル摂動"フレームワークを提案する。 この枠組みを,モデルの頑健さと英語における反事実バイアスの分析に使用される2つの摂動に基づくアプローチに応用する。
  論文  参考訳（メタデータ） (2021-04-12T06:57:36Z)
• Explainable Multi-class Classification of Medical Data [0.9137554315375922]
  大規模医療データセットの多クラス分類について解説する。 この研究では、SVM(Support Vector Machine)、Na"ive Bayes、Gradient Boosting、Decision Trees、Random Forest、Logistic Regressionの6つのアルゴリズムが使用されている。 本研究では,23の薬物機能を用いて6つの応用学習アルゴリズムのうち5つのリコールを改善することを示した。
  論文  参考訳（メタデータ） (2020-12-26T18:56:07Z)
• Tweet Sentiment Quantification: An Experimental Re-Evaluation [88.60021378715636]
  センチメント定量化(Sentiment Quantification)は、教師付き学習によって、感情関連クラスの相対周波数(prevalence')を推定するタスクである。 統合され、より堅牢な実験プロトコルに従って、これらの定量化手法を再評価する。 結果はガオ・ガオ・セバスティアーニ(Gao Gao Sebastiani)によって得られたものとは大きく異なり、異なる感情量化法の相対的な強さと弱さについて、よりしっかりとした理解を提供する。
  論文  参考訳（メタデータ） (2020-11-04T21:41:34Z)
• Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
  本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。 具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。 我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
  論文  参考訳（メタデータ） (2020-11-02T08:07:50Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Utilizing Deep Learning to Identify Drug Use on Twitter Data [0.0]
  サポートベクトルマシン(SVM)、XGBoost、畳み込みニューラルネットワーク(CNN)に基づく分類器を含む複数の手法の分類能力を比較した。 精度は76.35%と82.31%で、AUCは0.90と0.91である。 合成されたセットはスコアを増やし、分類能力を改善し、この方法論の価値を証明した。
  論文  参考訳（メタデータ） (2020-03-08T07:52:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。