Featurebasierte Meinungszusammenfassung unter Verwendung von Transferlernen

Opinion Mining wird eingesetzt, um die Entscheidungsfindung neuer Nutzer in verschiedenen Bereichen wie Produkten, Filmen, Nachrichtenmedien, Beiträgen in sozialen Netzwerken usw. zu verbessern. Feature-basiertes Opinion Mining stützt sich in den meisten bestehenden Methoden nur auf einen einzigen Domänenkorpus. Feature-basiertes Opinion Mining in zwei verschiedenen Domänenkorpora ist komplex. Die Merkmale und Meinungswörter werden mit Hilfe des Part-of-Speech (PoS)-Tagging-Tools extrahiert. Die IDDR-Technik (Inter dependent domain relevance) nutzt die Entfernung redundanter Merkmale und das Ausdünnen irrelevanter Merkmale aus zwei verschiedenen Bereichen mit Hilfe des IDDR-Scores und des Schwellenwerts. Normalerweise verwenden Data Mining und maschinelles Lernen Trainings- und Testdaten aus derselben Domäne und haben dieselben Merkmale. Das oben genannte Konzept gilt jedoch aufgrund des Mangels an gekennzeichneten Datensätzen nicht für alle Domänen. Hier wird die vorgeschlagene Transfer-Lernmethode unter Verwendung des Exaggerate Instance weighted K nearest neighbor (EIWKNN)-Algorithmus verwendet, um das Wissen aus der Kameradomäne in die iPod-Domäne für die Meinungsklassifizierung zu übertragen. Es wird eine Zusammenfassung der Merkmale zweier verschiedener Domänen in Bezug auf ihre Meinung erstellt.

Autorentext
Dr. S. Ramesh, Fakultät für Informatik und Ingenieurwesen am Regionalzentrum der Anna-Universität in Madurai. Er promovierte 2015 an der Anna-Universität in Chennai im Bereich Informations- und Kommunikationstechnik. Seine Forschungsinteressen umfassen drahtlose Kommunikation, Netzwerksicherheit und Optimierungstechniken.