論文の概要: Deep Learning-based Sentiment Classification: A Comparative Survey
- arxiv url: http://arxiv.org/abs/2312.17253v1
- Date: Tue, 12 Dec 2023 15:57:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 12:48:12.479071
- Title: Deep Learning-based Sentiment Classification: A Comparative Survey
- Title（参考訳）: 深層学習に基づく感性分類:比較調査
- Authors: Mohamed Kayed and Rebeca P. D\'iaz-Redondo and Alhassan Mabrouk
- Abstract要約: 本稿では,データ作成に基づく因子,特徴表現に基づく因子,分類に基づく因子の3つのカテゴリに対処する。
この論文は、100以上のDeep LearningベースのSCアプローチのパフォーマンスを比較した総合的な文献ベースの調査である。
本比較では,提案する因子が研究用DLベースのSC手法の性能にどのように影響するかを説明する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, Deep Learning (DL) approaches have been applied to solve the
Sentiment Classification (SC) problem, which is a core task in reviews mining
or Sentiment Analysis (SA). The performances of these approaches are affected
by different factors. This paper addresses these factors and classifies them
into three categories: data preparation based factors, feature representation
based factors and the classification techniques based factors. The paper is a
comprehensive literature-based survey that compares the performance of more
than 100 DL-based SC approaches by using 21 public datasets of reviews given by
customers within three specific application domains (products, movies and
restaurants). These 21 datasets have different characteristics
(balanced/imbalanced, size, etc.) to give a global vision for our study. The
comparison explains how the proposed factors quantitatively affect the
performance of the studied DL-based SC approaches.
- Abstract（参考訳）: 近年,Deep Learning (DL) アプローチは,マイニングやセンチメント分析(SA)のレビューにおいて中心となる課題である感性分類(SC)問題の解決に応用されている。
これらのアプローチのパフォーマンスは、さまざまな要因の影響を受けます。
本稿では,これらの因子を,データ準備ベース因子,特徴表現ベース因子,分類技術ベース因子の3つに分類する。
本論文は,3つのアプリケーションドメイン(製品,映画,レストラン)内の21のレビューデータセットを用いて,100以上のdlベースのscアプローチのパフォーマンスを比較する包括的文献ベース調査である。
これらの21のデータセットは、我々の研究にグローバルなビジョンを与えるために異なる特性(バランス/不均衡、サイズなど)を持っている。
本比較では,提案する因子が研究用DLベースのSC手法の性能に与える影響について述べる。
関連論文リスト
- CEB: Compositional Evaluation Benchmark for Fairness in Large Language Models [58.57987316300529]
大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクを処理するために、ますます多くデプロイされている。
LLMが示すバイアスを評価するために、研究者は最近、様々なデータセットを提案している。
我々は,様々な社会的グループやタスクにまたがる様々なバイアスをカバーした構成的評価ベンチマークであるCEBを提案する。
論文 参考訳（メタデータ） (2024-07-02T16:31:37Z) - Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。
提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
論文 参考訳（メタデータ） (2024-06-28T20:06:30Z) - Recent Advances in Named Entity Recognition: A Comprehensive Survey and Comparative Study [8.91661466156389]
NERに対する最近のポピュラーなアプローチの概要を紹介する。
我々は、強化学習とグラフベースのアプローチについて論じ、NERの性能向上におけるそれらの役割を強調した。
我々は,異なる特徴を持つ各種データセット上での主NER実装の性能を評価する。
論文 参考訳（メタデータ） (2024-01-19T17:21:05Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳（メタデータ） (2021-12-15T18:56:39Z) - Fairness and underspecification in acoustic scene classification: The
case for disaggregated evaluations [6.186191586944725]
機械学習(ML)アプリケーションにおける不明瞭さと公平さは、最近、MLコミュニティで2つの顕著な問題となっている。
本研究では,アコースティックシーン分類(ASC)モデルに対して,非凝集評価によるより包括的な評価プロセスの必要性を論じる。
本研究では,2つの広く使用されているASCデータセットを用いたトレーニングにおいて,不特定性や公平性の問題を明らかにする上で,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-10-04T15:23:01Z) - Computer-assisted construct classification of organizational performance
concerning different stakeholder groups [3.4587725785208785]
我々は,研究論文の構成要素(概念と用語)を3段階の分類に分類する。
周辺文や外部参照から抽出した特徴による文脈情報の増加は、非凝集性ラベルの分類を改善することが観察された。
論文 参考訳（メタデータ） (2021-07-11T21:39:37Z) - Through the Data Management Lens: Experimental Analysis and Evaluation
of Fair Classification [75.49600684537117]
データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。
我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。
我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
論文 参考訳（メタデータ） (2021-01-18T22:55:40Z) - 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) - Dataset Bias in Few-shot Image Recognition [57.25445414402398]
まず,基本カテゴリから学習した伝達可能能力の影響について検討する。
第2に、データセット構造と異なる少数ショット学習方法から、異なるデータセットのパフォーマンス差について検討する。
論文 参考訳（メタデータ） (2020-08-18T14:46:23Z)
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。