論文の概要: From TF-IDF to Transformers: A Comparative and Ensemble Approach to Sentiment Classification

• arxiv url: http://arxiv.org/abs/2605.22003v1
• Date: Thu, 21 May 2026 05:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.100457
• Title: From TF-IDF to Transformers: A Comparative and Ensemble Approach to Sentiment Classification
• Title（参考訳）: TF-IDFからトランスフォーマーへ:感覚分類の比較とアンサンブルアプローチ
• Authors: Dip Biswas Shanto, Mitali Yadav, Prajwal Panth, Suresh Chandra Satapathy,
• Abstract要約: 本稿では,映画レビューを肯定的,否定的な感情に分類することを目的とする。 自然言語処理(NLP)手法を多種多様な機械学習モデルに適用する。 精度、精度、リコール、F1スコア、ROC-AUCでの多くのテストの後、RoBERTaは他のどのモデルよりも93.02%の精度で性能が向上した。
• 参考スコア（独自算出の注目度）: 4.572455665547788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sentiment analysis, also referred to as opinion mining, primarily tries to extract opinion from any text-based data. In the context of movie reviews and critics, sentimental analysis can be a helpful tool to predict whether a movie review is generally positive or negative. It can be difficult for the ML models to understand the context or metaphysical sentiment accurately, as ML models rely largely on statistical word representations. The objective of this paper is to examine and categorise movie reviews into positive and negative sentiments. Diverse machine learning models are considered in doing so, and Natural Language Processing (NLP) methodologies are employed for data preprocessing and model assessment. The IMDb dataset is used. Specifically, Naive Bayes, Logistic Regression, Support Vector Machines (SVM), LightGBM, LSTM, and transformer-based models such as RoBERTa and DistilBERT were evaluated. After a lot of testing with accuracy, precision, recall, F1-score, and ROC-AUC, RoBERTa performed better than all the other models, with an accuracy of 93.02%. A soft voting ensemble that combined all the models also improved classification performance, showing that model ensembling works well for sentiment analysis.
• Abstract（参考訳）: 感性分析(英: Sentiment analysis)または意見マイニング(英: opinion mining)は、主にテキストベースのデータから意見を引き出そうとする。 映画評論や批評家の文脈では、感情分析は映画評論が概して肯定的か否定的であるかを予測するのに役立つ。 MLモデルは統計的単語表現に大きく依存するため、MLモデルでは文脈やメタ物理的な感情を正確に理解することは困難である。 本研究の目的は,映画レビューを肯定的,否定的な感情に分類することである。 自然言語処理(NLP)手法は,データ前処理やモデル評価に用いられている。 IMDbデータセットが使用される。 具体的には、Naive Bayes、Logistic Regression、SVM(Support Vector Machines)、LightGBM、LSTM、RoBERTa、DistilBERTといったトランスフォーマーベースのモデルを評価した。 精度、精度、リコール、F1スコア、ROC-AUCでの多くのテストの後、RoBERTaは他のどのモデルよりも93.02%の精度で性能が向上した。 すべてのモデルを組み合わせたソフト投票アンサンブルは、分類性能も向上し、モデルアンサンブルが感情分析に有効であることを示した。

関連論文リスト

• LLM Based Sentiment Classification From Bangladesh E-Commerce Reviews [0.0]
  本稿では,バングラデシュのeコマースレビューの感情分析にトランスフォーマーを用いたBERTモデルの有効性について検討する。 バングラのオリジナルデータセットから4000サンプルのサブセットと、イングランドの顧客レビューを使用してモデルを微調整した。 微調整のLlama-3.1-8Bモデルは、全体的な精度、精度、リコール、F1スコア95.5%、93%、88%、90%で他の微調整モデルより優れていた。
  論文  参考訳（メタデータ） (2025-09-30T16:46:09Z)
• Text-Based Approaches to Item Difficulty Modeling in Large-Scale Assessments: A Systematic Review [18.045716459188366]
  アイテムの難しさは、テストパフォーマンス、スコアの解釈可能性、そして、特に大規模な評価において、すべてのテストテイカーにとって重要な役割を担います。 アイテム困難モデリングへの伝統的なアプローチは、フィールドテストと古典的テスト理論(CTT)に基づくアイテム分析またはアイテム応答理論(IRT)キャリブレーションに依存している。 本稿では,2025年5月までの大規模評価設定において,自動項目難易度予測に関する37項目をレビューし,合成する。
  論文  参考訳（メタデータ） (2025-09-27T20:19:39Z)
• Leveraging Large Language Models for Predictive Analysis of Human Misery [1.2458057399345226]
  本研究では,Large Language Models (LLMs) を用いて,人間に知覚された悲惨なスコアを予測する。 我々は、ゼロショット、固定コンテキスト、検索に基づくプロンプトを含む複数のプロンプト戦略を評価する。 静的評価を超えて,テレビフォーマットに触発された新たなゲーム化フレームワークである"Misery Game Show"を導入する。
  論文  参考訳（メタデータ） (2025-08-18T07:02:59Z)
• Natural Language Processing Through Transfer Learning: A Case Study on Sentiment Analysis [1.14219428942199]
  本稿では,感情分析を中心に自然言語処理における伝達学習の可能性について考察する。 その主張は、スクラッチからのトレーニングモデルと比較して、事前訓練されたBERTモデルを使用したトランスファーラーニングは、感情分類の精度を向上できるというものである。
  論文  参考訳（メタデータ） (2023-11-28T17:12:06Z)
• Generating Benchmarks for Factuality Evaluation of Language Models [61.69950787311278]
  FACTOR: Factual Assessment via Corpus Transformation, a scalable approach for LM factuality。 FACTORは、興味のある事実のコーパスをLMの正当性を評価するベンチマークに自動的に変換し、コーパスから真事実を生成する。 その結果, (i) ベンチマークスコアはモデルサイズに応じて増加し, LMが検索によって拡張されたときに向上する; (ii) ベンチマークスコアとパープレキシティは必ずしもモデルランキングに一致しない; (iii) パープレキシティとベンチマークスコアが一致しない場合, 後者はオープンエンド世代における事実性を反映する。
  論文  参考訳（メタデータ） (2023-07-13T17:14:38Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [49.15931834209624]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• What do Toothbrushes do in the Kitchen? How Transformers Think our World is Structured [137.83584233680116]
  本稿では,トランスフォーマーに基づく言語モデルがオブジェクト関係に関する知識を抽出するのにどの程度役立つかを検討する。 異なる類似度尺度と組み合わせたモデルが,抽出できる知識の量で大きく異なることを示す。 驚くべきことに、静的モデルは、コンテキスト化されたモデルと同様に、ほぼ同じようにパフォーマンスします。
  論文  参考訳（メタデータ） (2022-04-12T10:00:20Z)
• Evaluation of HTR models without Ground Truth Material [2.4792948967354236]
  手書き文字認識モデルの開発における評価は容易である。 しかし、開発からアプリケーションに切り替えると、評価プロセスはトリッキーになります。 我々は,レキシコンに基づく評価が,レキシコンに基づく手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T01:26:09Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)

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。